시간 시계열 구조를 밝히는 조건부 식별 가능 잠재 요인 모델

본 논문은 다변량 시계열 데이터에서 잠재 요인을 추출하면서 “식별 가능성(identifiability)”을 이론적으로 보장하는 새로운 모델인 Identifiable Variational Dynamic Factor Model(iVDFM)을 제안한다. 기존의 Dynamic Factor Model(DFM)은 선형 가우시안 가정 하에 요인을 추정하지만, 요인은 정규 직교 회전(orthogonal rotation) 정도의 불확실성만 남겨 해석 가능성이 제한된다. 반면, 정적 잠재 변수 모델인 iVAE는 보조 변수 u에 조건부로 잠재 prior 를 정의해 각 성분을 비가우시안 지수족 분포로 구분함으로써 성분별 affine 변환 이하로만 식별성을 확보한다. 저자는 이 아이디어를 시계열에 적용해, 매 시점 t의 혁신 η_t 를 p(η_t|u_t, e_t) 로 모델링한다. 여기서 u_t는 시간 인덱스나 외생 변수, e_t는 RegimeNet 으로부터 얻는 deterministic 임베딩이며, K개의 레짐 벡터를 softmax 로 가중합한다. 이 조건부 prior 가 충분히 변동성을 가지면, 각 성분의 자연 파라미터 λ_i(u_t, e_t) 가 서로 독립적인 r+1 개 이상의 값들을 취해 전체 라디컬 스페이스를 완전하게 스팬한다. 따라서 η_t 의 각 차원은 순열 및 성분별 affine(또는 단조 역함수) 변환 이하로만 모호하게 된다. 동역학은 η_t 를 대각선 행렬 Ā_t, B̄_t 로 선형 변환해 요인 f_t 로 전달한다. 대각선 구조는 각 요인이 자신만의 과거 값과 혁신에만 의존하도록 보장해, 혁신 단계에서 확보한 식별성을 요인 단계에서도 손실 없이 유지한다. 고차 AR(p) 모델을 companion form 으로 구현함으로써, 블록 대각선 A, B 로 구성된 상태 전이 행렬을 사용하고, FFT 혹은 Krylov 서브스페이스 방법을 통해 장기 예측을 효율적으로 수행한다. 관측 모델은 injective decoder g(f_t) 로 정의되며, 이는 서로 다른 요인이 서로 다른 관측 분포를 만든다. 변분 추론에서는 q_ϕ(η_t|y_{1:T}, u_t, e_t) 를 독립적인 가우시안으로 가정하고, reparameterization trick 으로 샘플링한다. ELBO는 (i) 관측 로그우도 기대값과 (ii) 각 시점의 KL 발산의 합으로 구성되며, 혁신 prior 의 식별성은 변분 posterior 와 무관하게 유지된다. 실험은 세 가지 축으로 진행되었다. 첫째, 합성 데이터에서 동적·정적 DGP 를 사용해 요인 복원을 평가했다. iVDFM 은 MCC, subspace distance, trace R² 등에서 기존 DFM, DDFM, VAE, iVAE 를 앞섰으며, 특히 동적 DGP 에서 혁신 기반 식별성이 크게 작용했다. 둘째, 합성 SCM 에서 do-연산을 적용한 충격반응 함수(IRF)를 비교했을 때, iVDFM 은 MSE/MAE 가 낮고 부호 정확도가 안정적이었다. 이는 식별 가능한 요인이 인과 개입에도 일관된 해석을 제공함을 의미한다. 셋째, 실제 시계열(ETTh1/2, ETTm1/2, Weather)에서 CRPS와 MSE 를 측정한 결과, iVDFM 은 TimeMixer, TimeXer, DDFM 등 최신 베이스라인과 경쟁적인 성능을 보였다. 이 논문의 주요 공헌은 다음과 같다. (1) 혁신 과정에 비가우시안 조건부 prior 를 도입해 시계열 잠재 요인의 식별성을 확보, (2) 대각선 선형 동역학을 통해 식별성을 유지하면서도 계산 효율성을 달성, (3) 변분 학습 프레임워크와 결합해 실제 데이터에 적용 가능한 확장성을 제공한다. 제한점으로는 Gaussian 혁신이 식별성을 상실하므로 비가우시안 분포 선택이 필수이며, 레짐 수 K 와 보조 변수 설계가 충분히 변동성을 제공해야 한다는 점이다. 향후 연구에서는 비선형 동역학을 식별성 보존 하에 확장하거나, 레짐 전이 확률을 학습해 보다 복합적인 구조적 변화를 모델링하는 방향이 기대된다.