모바일 사용 흔적은 사용자 행동 예측과 앱 추천에 중요하지만, 개인정보 제약과 대규모 수집 비용 탓에 다루기 쉽지 않다. 2026년 7월 15일 공개된 arXiv 프리프린트는 이런 제약 아래서 발생하는 세 가지 난점을 희소성, 변수 이질성, 앱별 사용 불균형으로 정리하고, 이를 동시에 겨냥한 생성 프레임워크 MIDiff를 제안했다.
핵심은 원시 다변량 시퀀스를 Cross-Gramian Angular Sum Field(C-GASF)로 바꿔 상관 이미지를 만들고, 그 위에서 확산모델을 돌리는 방식이다. 앱 사용, 교통량, 위치 정보를 각각의 시점 벡터로 다룬 뒤, C-GASF가 희소한 다변량 흔적을 하나의 이미지 표현으로 재구성한다. 여기에 U-Net 백본과 Triple Attention을 결합해 시간 일관성과 변수 의존성을 보존하도록 설계했다.
실험은 중국의 한 대도시에서 일주일 동안 수집한 App Usage Dataset을 사용했다. 표본은 식별된 앱 2000개, 사용자 1000명, 앱 카테고리 20개, POI 카테고리 17개로 정리돼 있다. 비교군으로는 TimeGAN, TTS-GAN, Diffusion-TS, PaD-TS, ImagenTime, TimeAutoDiff, ZITS-GAN, ZITS-VAE가 포함됐다.
충실도 지표에서는 MIDiff가 가장 낮은 값을 보였다. 분류기 기반 Discriminative Accuracy(DA)는 0.1526으로, 가장 강한 기준선인 ZITS-VAE의 0.3476보다 낮았다. 같은 표에서 MIDiff는 VDS 0.0026, FDDS 0.0293, 예측 점수 7296을 기록했다. 반면 ZITS-VAE는 각각 0.0214, 0.1036, 6731이었고, 모델 간 비교는 모두 동일한 데이터셋에서 이뤄졌다.
특징 보존과 거리 기반 평가에서도 MIDiff는 여러 항목에서 최저값을 냈다. TS-Bench 비교에서 MDD 5100.78, ACD 0.0124, SD 8.91, KD 501.37, DTW 714539.49, ED 15291.30으로 보고됐으며, 각 지표는 App Usage Dataset과 생성 데이터 사이의 차이를 계산한 값이다. 추가로 downstream 증강 평가와 ablation study도 수행했지만, 이 사실카드에선 세부 수치가 제시되지 않았다.
| 항목 | 값 | 근거 위치 |
|---|---|---|
| 데이터셋 | App Usage Dataset; 중국 대도시에서 일주일 수집 | p.7 | TABLE 1, p.7 | source_excerpt |
| 규모 | 식별된 앱 2000개, 사용자 1000명, 앱 카테고리 20개, POI 카테고리 17개 | p.7 | TABLE 1 |
| 핵심 지표 | DA 0.1526; ZITS-VAE 0.3476 | p.1 | abstract; p.8 | TABLE 3 |
| TS-Bench 비교 | MIDiff: MDD 5100.78, ACD 0.0124, SD 8.91, KD 501.37, DTW 714539.49, ED 15291.30 | p.8 | TABLE 4 |
자료: STORIUM 정리
전반적으로 이 프리프린트는 모바일 사용 데이터의 희소하고 불균형한 구조를 이미지 공간으로 옮긴 뒤 확산모델로 복원하는 접근이, 일반 시계열 생성기보다 더 현실적인 흔적을 낼 수 있음을 보였다고 주장한다. 코드 저장소는 공개돼 있으나, 동료검토 전 단계라는 점에서 결과 해석에는 아직 범위상의 유보가 필요하다.
저작권자 © STORIUM 무단전재 및 재배포 금지
