다중 효과를 해석하는 저차원 주파수 진폭 분해와 하이퍼플레인 NMF

본 논문은 시계열 예측(TSF)에서 트렌드, 계절성, 잔차 등 다중 효과를 해석 가능하게 분리하는 것이 여전히 어려운 문제임을 지적한다. 기존 딥러닝 기반 TSF 모델들은 이동 평균 등 샘플 기반 스무딩 기법을 사용해 초기 분해를 수행하지만, 이러한 방법은 잡음에 취약하고 경계 효과가 발생하며, 효과 간의 명확한 구분이 어려워 실제 예측 성능 향상에 한계가 있다. 최근 주파수 기반 접근법이 부상했지만, 대부분은 복소수 형태의 전체 스펙트럼을 직접 학습해 해석성을 희생하고 있다. MLOW는 이러한 문제를 해결하기 위해 “진폭 스펙트럼 × 위상‑인식 베이스”라는 새로운 시각을 제시한다. 시계열 X 를 푸리에 변환해 진폭 R(스칼라값)과 베이스 B(위상 정보를 포함한 복소수 행렬)로 분해하고, 진폭 R에 저차원 구조 W·H를 적용한다. 여기서 H∈ℝ^{V×K}는 전체 데이터셋에 공통적인 저차원 진폭 패턴을 나타내며, W∈ℝ^{N×V}는 각 시계열이 해당 패턴을 얼마나 활용하는지를 나타내는 가중치이다. 이렇게 하면 진폭 스펙트럼 자체가 의미 있는 “조각”(low‑rank pieces)으로 나뉘어, 각 조각이 트렌드, 계절성 등 특정 효과와 강하게 연관된다. 저차원 방법으로 PCA, NMF, Semi‑NMF를 실험했지만, 각각 (i) 부호 자유도로 인한 해석성 저하, (ii) 새로운 샘플에 대한 W 계산 시 최적화 필요, (iii) 비음성 제약과 일반화 사이의 트레이드오프 등 근본적인 한계가 있었다. 이를 극복하기 위해 저자들은 Hyperplane‑NMF를 고안했다. Hyperplane‑NMF는 PCA와 유사하게 W = R·Hᵀ 라는 선형 투영을 유지하면서, H 와 W 에 비음성 제약을 동시에 부과한다. 또한, W 와 H  사이의 코사인 유사도 페널티를 도입해 음성 성분이 최소화되도록 하여, 재구성된 베이스 P = H·B가 원래 위상 정보를 보존하도록 설계하였다. 이 방식은 (1) H 와 W 가 모두 비음성이므로 해석이 직관적이고, (2) 새로운 시계열이 들어오면 W = R·Hᵀ 만 수행하면 되므로 추론 비용이 거의 없으며, (3) 학습된 H 가 다양한 시계열에 일반화될 수 있다는 장점을 제공한다. 주파수 누수 문제는 입력 길이 T 에 의해 허용되는 주파수 레벨 K = ⌊T/2⌋ 가 제한될 때, 에너지가 인접 주파수 빈으로 퍼지는 현상이다. MLOW는 두 가지 수학적 메커니즘으로 이를 완화한다. 첫째, 훈련 데이터 로더에서 슬라이딩 윈도우를 겹쳐 사용해 더 많은 샘플을 확보하고, 둘째, 푸리에 변환 후 진폭을 보간·재샘플링해 인위적으로 높은 K 값을 생성한다. 이렇게 하면 저차원 기저 H 가 충분히 풍부한 주파수 정보를 학습하도록 보장하고, 스펙트럼 누수에 강인한 분해를 가능하게 한다. MLOW 파이프라인은 다음과 같이 구성된다. (1) 입력 시계열 Xᵢ → 진폭 Rᵢ·베이스 Bᵢ + 평균 Xᵢᵐ, (2) Rᵢ ≈ Wᵢ·H, (3) Pᵢ = H·Bᵢ, (4) Zᵢ = Wᵢ⊙Pᵢ (각 저차원 조각), (5) Xᵢ ≈ Wᵢ·Pᵢ + Xᵢᵐ + 잔차 Xᵢʳ. 여기서 Zᵢ는 V개의 저차원 “조각”으로, 시각화 결과 각 조각이 트렌드, 주기성, 고주파 잡음 등 서로 다른 효과를 명확히 구분한다. 특히, 잡음에 대한 견고성이 뛰어나며, 계절성 효과가 여러 주파수 레벨에 걸쳐 나타나는 경우에도 각 레벨을 독립적인 조각으로 분리한다. 플러그‑인 실험에서는 두 대표적인 TSF 백본인 iTransformer와 PatchTST에 MLOW를 적용하였다. 두 모델 모두 초기 프로젝션 레이어만 (V+1)배 확장해 입력 차원을 맞추었으며, 나머지 구조는 그대로 유지하였다. 실험에 사용된 데이터셋은 전력(PEMS03), 기후(ECL), 경제(ETTh1) 등 다양한 도메인을 포함한다. 결과는 MAE와 MAPE 기준으로 5%~12% 정도의 상대적 개선을 보였으며, 특히 계절성이 강한 데이터에서 더 큰 성능 향상이 관찰되었다. 학습 시간과 메모리 사용량은 기존 백본 대비 미미한 증가에 그쳐, 실제 산업 현장에 적용하기에 충분한 효율성을 입증하였다. 추가적으로, 저자들은 MLOW가 제공하는 “조각별 에너지 해석”을 활용해 도메인 전문가가 트렌드 변동, 계절성 변동, 이상 징후 등을 시각적으로 탐색할 수 있음을 시연하였다. 이는 예측 모델을 단순히 블랙박스로 사용하는 것이 아니라, 원인 분석 및 의사결정 지원 도구로 확장할 수 있는 가능성을 보여준다. 결론적으로, MLOW는 (1) 진폭 스펙트럼의 구조적 특성을 활용한 해석 가능한 다중 효과 분해, (2) Hyperplane‑NMF라는 새로운 비음성 저차원 기법을 통해 효율·일관성·일반화성을 동시에 달성, (3) 스펙트럼 누수를 완화하는 입력·주파수 선택 메커니즘, (4) 기존 TSF 모델에 최소한의 구조 수정만으로 플러그‑인 가능, (5) 다양한 도메인에서 정량·정성적으로 우수한 성능을 입증한 점에서 의미가 크다. 향후 연구에서는 비선형 베이스 함수 도입, 다변량 시계열에 대한 확장, 그리고 실시간 스트리밍 환경에서의 적용 가능성을 탐색할 여지가 있다.