순차 데이터를 현실적으로 생성하기 위한 확산 모델(diffusion model) 기반 프레임워크가 arXiv 논문으로 공개됐다. 운영 연구, 금융, 의료, 에너지 시스템, 과학 계산 등 시간 순서가 있는 관측 데이터를 예측·시뮬레이션·리스크 평가·의사결정에 활용하는 분야에서 현실적인 합성 데이터(synthetic data) 생성 수요가 높지만, 정적 데이터 생성에서 뛰어난 성과를 보인 확산 모델을 순차 설정에 직접 적용하면 시간 의존성과 정보 구조를 충분히 포착하지 못하는 문제가 있었다.
연구팀이 제안한 핵심 과제는 미래 정보를 앞당겨 참조하지 않는 ‘순응형(adapted)’ 방식으로 시계열 데이터를 생성하는 것이다. 이를 위해 연구팀은 순서를 따라 점진적으로 노이즈를 추가하고 제거하되, 이전에 생성된 이력 데이터를 조건으로 삼아 순응성을 보장하는 순차 순방향-역방향 확산 프레임워크를 고안했다. 병렬 학습의 효율을 높이기 위한 새로운 스코어 매칭(score-matching) 목적 함수도 함께 도입됐다. 연구팀은 일반적인 이론 프레임워크 아래 통계적 보장을 도출하고, ReLU 네트워크를 구체적 사례로 삼아 스코어 근사, 스코어 추정, 분포 추정 결과를 확립했다.
실험 검증은 ARMA 모델과 가우시안 프로세스를 포함한 합성 데이터에서 이뤄졌으며, 평균-분산 최적 포트폴리오 구성에도 방법론을 적용해 금융 분야에서의 실용 가능성을 보였다. 확산 모델의 강점을 동적·순차 데이터 도메인으로 확장하는 것은 AI 연구의 주요 과제 중 하나로, 이번 연구는 이론적 토대와 실증적 검증을 함께 제시한다는 점에서 관련 분야 후속 연구의 참고 자료가 될 것으로 보인다.
