패치 기반 시계열 파운데이션 모델(TSFM)은 '컨텍스트 중독'에 시달린다. 구조적으로 비정상적인 패치가 과도한 주의를 끌어 제로샷 예측 품질을 조용히 떨어뜨린다. 이 논문은 모델 가중치를 바꾸지 않고 입력 컨텍스트를 최적화해 추론 시점에 정확도를 높이는 방법을 제안한다. 게이트(Gate)·라우터(Router)·크리틱(Critic) 세 요소로 구성된 경량 프레임워크 GITCO는 어떤 파라미터 갱신도 없이 해로운 패치를 선택적으로 식별하고 억제한다. K-겹 교차검증으로 53개 GIFT-Eval 데이터셋에서 TimesFM 2.5를 평가한 결과, 평균 MASE를 1.95% 줄였고 개선 상한의 89.9%를 달성했다. 또한 시계열 메타특징에서 추론 시점 컨텍스트 개입에 따른 기대 정확도 향상으로의 매핑인 '컨텍스트 민감도 프로파일'을 TSFM의 새로운 특성화 가능 속성으로 제시한다.

• •패치 기반 TSFM의 '컨텍스트 중독'(비정상 패치가 과도한 주의를 끕어 예측 저하) 문제 제기
• •가중치 수정 없이 입력 컨텍스트를 최적화해 추론 시점에 정확도 향상
• •Gate·Router·Critic 3요소 경량 프레임워크 GITCO가 파라미터 갱신 없이 해로운 패치 억제
• •TimesFM 2.5·53개 GIFT-Eval에서 평균 MASE 1.95% 감소, 개선 상한의 89.9% 달성
• •시계열 메타특징→기대 향상을 잇는 '컨텍스트 민감도 프로파일'을 새 속성으로 제시