시계열 데이터 보간을 위한 확산 모델 개선 근접 재귀 관점

초록

본 논문은 확산 모델을 이용한 시계열 데이터 보간(TSDI)에서 발생하는 비정상성 및 목표 불일치 문제를 근접 연산자 시각으로 분석하고, Wasserstein 거리의 질량 보존 제약을 엔트로피 기반 Bregman 발산으로 완화한 반근접 전송(SPT) 차이를 제안한다. 이를 기반으로 소멸 구조를 제거하고 SPT를 근접 연산자로 활용한 SPIRIT 프레임워크를 설계하여, 비정상적 시계열에 대한 강인성과 점별 정확도를 동시에 달성한다. 실험 결과, 기존 확산 기반 방법들을 크게 능가함을 보인다.

상세 분석

논문은 먼저 확산 모델(DM)이 시계열 데이터 보간에 적용될 때 두 가지 근본적인 한계가 존재함을 지적한다. 첫 번째는 시계열의 비정상성(non‑stationarity)이다. 기존 DM은 연속적인 SDE를 통해 역방향 샘플링을 수행하지만, Wasserstein 거리 기반의 근접 항은 전체 질량을 보존하도록 강제한다. 비정상적인 변동이나 급격한 트렌드 변화가 존재하면, 질량 보존 제약으로 인해 원본 분포와의 부정확한 매칭이 발생하고, 특히 이상치가 포함된 경우 잘못된 운송 계획이 생성된다. 두 번째는 목표 불일치(objective inconsistency)이다. DM은 다양성을 촉진하는 손실(예: 변분 하한, 엔트로피 항)을 포함해 학습되지만, 보간 작업은 개별 시점의 정확한 값 복원을 요구한다. 논문은 이를 수식적으로 정리하여, DM 기반 보간이 다음과 같은 최적화 형태로 표현됨을 보인다.

\