Time-Series Decomposition as a Standalone Task: A Mechanism-Driven Diagnostic Benchmark

Motivation

• Known: time-series decomposition은 trend와 periodic structure를 해석하기 위한 널리 쓰이는 기초 primitive로, moving-average filters, STL/MSTL, SSA, EMD/CEEMDAN, VMD, wavelet-based 방법 등 다양한 대표적 방법군이 존재한다.
• Gap: decomposition 결과 품질은 실무에서 흔히 "그럴듯해 보이는지"로 비공식적으로 판단되며, 통제된 generative mechanism 하에서 component recovery를 비교할 수 있는 통합적이고 재사용 가능한 공개 벤치마크가 부재하다.
• Why: trend, 주기 구조, residual variation의 정확한 복원은 forecasting 등 pointwise 예측 정확도보다 우선시되는 실세계 응용(과학적 구조 발견 등)에서 핵심적이며, 이를 체계적으로 평가할 근거 기반 방법 선택 가이드가 필요하다.
• Approach: explicit trend/cycle taxonomy를 갖는 synthetic evaluation suite와 대표적 decomposition family들을 아우르는 unified interface를 구축하고, shape·phase·spectral fidelity를 포착하는 상호보완적 metric들로 component recovery를 평가한다. 나아가 decompose-then-regress 파이프라인을 도입해 symbolic regression이라는 downstream scientific-discovery task로 벤치마크를 확장한다.

Achievement

Figure 4. Time-Series Structure Recovery. Decompose-then-regress narrows the symbolic search space, avoiding trend-domin

1. 진단적 벤치마크 구축: trend, cycle, noise, event mechanism의 통제된 taxonomy 하에서 ground-truth (T, S, R)를 갖는 component-recovery 문제로 decomposition을 formalize했다.
2. method-agnostic 정렬 프로토콜: 서로 다른 native output 형태(다중 seasonality, IMF, wavelet detail 등)를 가진 이질적 방법들을 (T̂, Ŝ, R̂)로 매핑하는 결정론적 alignment rule을 제안했다.
3. regime-dependent capability map 도출: fixed-period, global-subspace, adaptive-spectral 등 방법별 inductive bias와 성공/실패 패턴을 연결하여 실행 가능한 방법 선택 가이드를 제공했다.
4. downstream 구조 발견 실증: decompose-then-regress 파이프라인이 symbolic regression의 recoverability를 향상시키고 expression complexity를 감소시킴을 보여, decomposition 품질과 구조 발견 간의 연결고리를 입증했다.
5. 공개 아티팩트 제공: 코드, 설정, 기계 판독 가능한 결과 테이블, 웹 리더보드를 Hugging Face dataset 및 leaderboard Space를 통해 공개했다.

How

Figure 2. Decomposition Method Collection. Six families: MA, STL/MSTL, SSA, EMD/CEEMDAN, VMD, and Wavelet. Full

• 길이 N=512의 synthetic series를 6개 scenario, scenario당 50개의 deterministic draw로 생성해 총 300개 series 데이터셋 구성
• 각 scenario마다 정상적/비정상적 periodic structure(frequency drift, regime switching 포함)를 포함하는 trend/seasonal mechanism 다양화
• 서로 다른 방법의 raw output을 공통 triplet (T̂, Ŝ, R̂)로 정렬하는 alignment rule 정의 (최저 주파수 성분→trend, 주기 성분 집계→seasonal, 나머지→residual)
• period는 STL/MSTL/RobustSTL 등에는 직접 주입하고, SSA/EMD/CEEMDAN/VMD에는 grouping hint로만 제공하여 period 추정 문제와 decomposition 성능을 분리
• Trend R2, Trend DTW distance, Seasonal R2, spectral correlation, max-lag correlation 등 상호보완적 metric으로 shape/phase/spectral 오류 모드를 각각 측정
• decompose-then-regress 파이프라인을 구성해 decomposed component 각각에 대해 symbolic regression을 수행하고 raw series에 대한 직접 symbolic regression과 비교

Originality

• decomposition을 전처리 heuristic이 아닌 독립적 평가 과제(standalone task)로 formalize한 관점의 전환
• 단일 metric이 아닌 shape, phase, spectral fidelity를 포착하는 다중 metric 조합을 통한 다각적 평가 프레임워크
• 이질적 decomposition family(6개 계열)를 하나의 method-agnostic 인터페이스로 통합해 공정 비교를 가능케 한 정렬 프로토콜
• decomposition 품질을 symbolic regression이라는 downstream scientific-discovery 과제와 연결한 decompose-then-regress 개념 제안

Limitation & Further Study

• synthetic 데이터에 기반한 통제된 generative mechanism만을 다루므로 실제 관측 데이터의 복잡성(결측치, 이질적 잡음, 다중 스케일 혼재 등)에 대한 일반화는 검증되지 않음
• period를 known/injected 값으로 제공하는 설계로 인해 "unknown period" 실제 상황에서의 방법 성능은 부차적으로만(Appendix) 다뤄짐
• adaptive spectral 방법의 tuning 민감성이 보고되었으나 구체적 tuning 전략이나 자동화 방안은 제시되지 않음
• 후속 연구로 실제 도메인 데이터셋에 대한 검증, unknown period 상황에서의 강건성 평가, 더 다양한 딥러닝 기반 decomposition 방법과의 비교 확장이 필요

Evaluation

총평: time-series decomposition 평가에 대한 오랜 공백을 체계적으로 메우는 실용적이고 잘 설계된 벤치마크로, decomposition 품질과 downstream scientific discovery 간의 연결을 실증적으로 보여준 점이 특히 인상적이다. 다만 synthetic 환경에 국한된 검증이라는 점에서 실제 데이터에 대한 확장 검증이 후속 과제로 남는다.