예측 조화(forecast reconciliation) 연구에서 기존 측정 체계를 고정해두고 일관성 있는 공간으로 예측값을 사영하는 접근과 달리, 어떤 추가 선형 측정 방향을 새로 도입하면 조화 후 예측 정확도가 향상되는지를 학습하는 REGAIN 프레임워크가 제안됐다. 이 연구는 조화 이득(reconciliation gain)을 기준으로 보조 방향을 선별하는 새로운 방법론을 제시한다.
REGAIN은 정규화된 보조 방향을 학습하고, 동결된 예측 오라클로 해당 계열의 예측값을 생성한 뒤, 확장 일반화 최소제곱(augmented generalized least-squares) 조화 이후 목표 가중 손실 감소량을 기준으로 방향을 선별하는 구조를 갖는다. 기존의 분산 기반 성분 선택이나 예측 가능성 기반 보조 선택 방식과 달리, 보조 측정이 최종 조화 예측에 미치는 하향식 효과를 직접 최적화한다는 점이 특징이다. 연구진은 유용한 보조 방향이 단순히 예측하기 쉬운 계열이 아니라 기존 측정 체계가 해소하지 못한 목표 불확실성에 대해 보완적 정보를 제공해야 한다는 통계적 특성화 결과도 함께 제시했다.
이론적으로는 공분산 위험 감소 메커니즘과 실현 이차 위험에서 편향 변화의 역할, 이득 신호 추정의 안정성을 분석했다. 또한 단계적 학습 알고리즘과 보유 이득 스크리닝, 선택적 공동 정제 단계를 갖춘 구현 방법론을 제안했다. 베이징 초미세먼지(PM2.5)와 호주 관광 데이터를 대상으로 한 실험에서, 이득 기반으로 선별된 측정값이 일반 다변량 예측과 계층적 예측 모두를 향상시키는 것으로 나타났으며, 원래 측정 체계로는 포착되지 않은 잔여 불확실성이 존재할 때 특히 효과적이었다.
예측 조화는 계층적 시계열 예측 등 여러 계열 간의 일관성을 유지해야 하는 실무 문제에서 핵심 기술이다. REGAIN은 측정 체계 자체의 설계를 데이터 기반으로 최적화한다는 점에서, 에너지 수요 예측이나 경제 지표 집계 등 다양한 계층 구조를 지닌 예측 문제에 응용될 수 있는 잠재력을 갖는다.
