DeMa: 시차 인지 맘바 기반 다변량 시계열 분석
교통 예측, 산업 유지보수 이상 감지, 건강 모니터링을 위한 궤적 분류 등 다양한 지능형 애플리케이션에서 정확하고 효율적인 다변량 시계열(MTS) 분석의 중요성이 커지고 있습니다. 기존에는 쌍별 의존성 포착 능력이 뛰어난 트랜스포머가 주로 사용되었으나, 이차적인 계산 복잡도와 높은 메모리 오버헤드로 인해 장기적이고 대규모 MTS 모델링에 한계가 있었습니다. 최근 선형 시간 복잡도를 가지면서도 표현력이 뛰어난 맘바(Mamba)가 유망한 대안으로 부상했습니다. 하지만 바닐라 맘바를 MTS에 직접 적용할 경우, 명시적인 변수 간 모델링 부족, 시계열 내 동역학과 시계열 간 상호작용의 분리 어려움, 잠재적 시간 지연 상호작용 효과 모델링 미흡이라는 세 가지 주요 한계로 인해 최적의 성능을 내기 어려웠습니다. 이러한 문제들을 해결하기 위해 우리는 효율적이고 효과적인 MTS 분석을 위한 이중 경로 시차 인지 맘바(DeMa) 백본을 제안합니다. DeMa는 맘바의 선형 복잡도 이점을 유지하면서 다변량 환경에 대한 적합성을 크게 향상시킵니다. 특히, DeMa는 MTS 컨텍스트를 시계열 내 동역학과 시계열 간 상호작용으로 분해하고, 이를 두 개의 전용 경로를 통해 학습합니다. 구체적으로, DeMa는 각 시계열 내 장기 동역학을 포착하는 맘바-SSD 모듈을 포함한 시간 경로와, 시차 인지 선형 어텐션을 통합하여 변수 간 의존성을 모델링하는 맘바-DALA 모듈을 포함한 변수 경로를 개발했습니다. 이 접근 방식은 선형 복잡도를 유지하면서도 가변 길이 입력 처리, 시리즈 독립적인 병렬 계산, 그리고 미세하고 시차에 민감한 의존성 학습을 가능하게 합니다.