연구팀이 복수의 상호작용 시스템이 각각 독립된 예측값을 필요로 하는 동시 예측(simultaneous prediction) 문제를 해결하는 새로운 패러다임 ESE(Equilibrium State Estimation, 균형 상태 추정)를 제안했다. 경제 모델링이나 의료 확산 추적처럼 현실 세계에서 빈번히 등장하는 이 시나리오는 시스템 간 상호작용을 조율하면서도 각 시스템에 대한 별도 예측이 필요하다는 점에서 기존 방법으로는 처리하기 어려운 구조다.
기존 접근법이 한 번에 하나의 시스템씩 순차적으로 예측하는 것과 달리, ESE는 모든 시스템을 단일 패스에서 동시에 예측한다. 먼저 시스템 전반의 균형 상태를 추정한 뒤 현재 상태와 추정된 균형 상태의 차이를 바탕으로 종합적인 예측을 생성하는 방식이다. 특히 ESE는 기존의 일반적인 예측 모델과 매끄럽게 통합돼, 그 정확도를 보존하면서도 ESE 고유의 효율성을 더해주는 구조를 갖췄다.
통화 환율과 코로나19 확산 모델링을 포함한 합성 및 실제 데이터셋에서의 광범위한 실험 결과, ESE는 현재 최고 성능(SOTA) 방법들과 동등한 정확도를 유지하면서 최대 70배의 속도 향상을 달성했다. 선형 시간 복잡도를 갖춰 예측 대상 시스템 수가 늘어날수록 기존 방법 대비 확장성 우위가 더욱 두드러지며, 다양한 교란 상황에서도 강건성을 유지하는 것이 실험으로 확인됐다.
ESE의 빠른 추론 속도와 강건성은 실시간 의사결정이 필요한 금융·공중보건 분야 AI 시스템에서 즉각적인 응용 가능성을 열어둔다. 기존 예측 모델과 결합이 가능한 모듈형 구조는 이미 구축된 시스템에 도입 장벽을 낮출 것으로 전망된다.
