CP 손실: 시계열 예측을 위한 채널별 지각 손실

CP Loss: Channel-wise Perceptual Loss for Time Series Forecasting

다양한 응용 분야에서 흔히 나타나는 다중 채널 시계열 데이터는 각 채널마다 상당한 이질성을 갖습니다. 그러나 기존의 예측 모델은 일반적으로 MSE와 같은 채널에 구애받지 않는 손실 함수를 사용하며, 이는 모든 채널에 대해 동일한 지표를 적용합니다. 이는 급격한 변동이나 추세 변화와 같은 채널별 특성을 제대로 반영하지 못하는 경우가 많습니다. 이러한 문제를 해결하기 위해, 본 연구에서는 채널별 지각 손실(CP Loss)을 제안합니다. CP 손실의 핵심 아이디어는 각 채널의 특성에 맞춰 고유한 지각 공간을 학습하고, 이 공간 내에서 손실을 계산하는 것입니다. 구체적으로, 먼저 학습 가능한 채널별 필터를 설계하여 원시 신호를 독립적인 다중 스케일 표현으로 분해하고, 이를 지각 공간의 기반으로 사용합니다. 중요한 점은 이 필터가 주 예측 모델과 함께 최적화되어 학습된 지각 공간이 예측 작업에 명시적으로 맞추어지도록 한다는 것입니다. 마지막으로, 이러한 지각 공간 내에서 손실을 계산하여 모델을 최적화합니다. 코드: https://github.com/zyh16143998882/CP_Loss

Multi-channel time-series data, prevalent across diverse applications, is characterized by significant heterogeneity in its different channels. However, existing forecasting models are typically guided by channel-agnostic loss functions like MSE, which apply a uniform metric across all channels. This often leads to fail to capture channel-specific dynamics such as sharp fluctuations or trend shifts. To address this, we propose a Channel-wise Perceptual Loss (CP Loss). Its core idea is to learn a unique perceptual space for each channel that is adapted to its characteristics, and to compute the loss within this space. Specifically, we first design a learnable channel-wise filter that decomposes the raw signal into disentangled multi-scale representations, which form the basis of our perceptual space. Crucially, the filter is optimized jointly with the main forecasting model, ensuring that the learned perceptual space is explicitly oriented towards the prediction task. Finally, losses are calculated within these perception spaces to optimize the model. Code is available at https://github.com/zyh16143998882/CP_Loss.