1. 연구 주제명

"실시간 초고속 예측: 스트리밍 시계열 데이터를 위한 경량 어댑터" (Real-Time Forecasting: Lightweight Adaptation for Streaming Time Series)

2. 한 줄 요약

<aside> 💡

무거운 어텐션 연산 대신 **'경량 어댑터(Lightweight Adapter)'**를 사용하여, 실시간으로 변하는 데이터 분포에 즉각 적응(TTA)하는 고효율·고성능 예측 기술.

</aside>

3. 핵심 도식

4. 연구배경

• 지난 연구(COSA, ICLR 2026 Submitted)의 Rebuttal 과정 중 다변량 시계열 고려를 위한 Shared Attention을 추가했을 시 전체 성능이 예측 성능이 개선되는 것을 확인함
• 또한 Encoder 기반의 Context (특히 Attention)을 활용했을 때 성능 개선이 확인됨
• 하지만 그에 비례하여 Computational Overhead가 매우 크게 증가하는 것을 확인함

5. 연구목표

• 이에 따라 해당 구조들의 경량화를 통해 효율성 향상 및 예측 정확도 개선을 동시에 목표로 함

6. 관련연구

• 시계열 예측
  • Liu, et al. "itransformer: Inverted transformers are effective for time series forecasting." arXiv 2023.
  • Zhou, et al. "Fedformer: Frequency enhanced decomposed transformer for long-term series forecasting." PMLR, 2022.
  • Zeng, et al. "Are transformers effective for time series forecasting?." AAAI 2023.
• 시계열 예측 TTA
  • Kim, et al. "Battling the non-stationarity in time series forecasting via test-time adaptation." AAAI 2025.
• 다변량 시계열 예측
  • Wang, et al. "Timexer: Empowering transformers for time series forecasting with exogenous variables." NeruIPS2024.

7. 연구실 선행 연구

• (ICLR2026 review 중) [https://openreview.net/forum?id=L7Z5wBMPrW&referrer=Author Console](https://openreview.net/forum?id=L7Z5wBMPrW&referrer=[Author Console](%2Fgroup%3Fid%3DICLR.cc%2F2026%2FConference%2FAuthors%23your-submissions))