시계열 생성의 새로운 패러다임, 구조‑잔차 분해와 양자화 그래프 VAE

본 논문은 시계열 생성 모델이 직면한 “전역 구조 보존 vs. 지역 잡음 재현” 딜레마를 구조‑잔차 관점으로 재구성한다. 저자들은 시계열 데이터를 구조 백본(x_struct)과 잔차(ε)로 분리하고, 구조 백본을 전역적인 전이 패턴으로 요약하기 위해 quantile‑based transition graph(양자화 전이 그래프)를 도입한다. 먼저, 전체 학습 데이터에서 Q개의 quantile 경계 B={b_0,…,b_Q}를 추정한다. 각 시점 x_t는 해당 경계에 따라 이산 상태 s_t= q(x_t) 로 매핑되며, 이는 시계열의 미세 진폭 변동을 무시하고 순서만 보존한다. 이후 상태 전이 확률 P_{ij}=P(s_{t+1}=j|s_t=i) 를 경험적 빈도로 계산해 Q×Q 전이 행렬을 만든다. 이 행렬은 가중치가 부여된 방향성 그래프, 즉 quantile graph로 표현되며, 전역적인 시간 구조(주기성, 상승‑하강 패턴 등)를 압축한다. 이 quantile graph를 조건으로 하는 변분 자동인코더(Graph2TS)를 설계한다. 구조 인코더는 그래프 g를 고정 길이 임베딩으로 변환하고, 시계열 인코더는 원본 시계열 x를 별도로 임베딩한다. 두 임베딩은 정렬 손실(L_align) – 양방향 InfoNCE – 로 공유 잠재 공간에 정렬된다. 동시에, 표준 VAE의 잠재 변수 z∼N(0,I) 가 잔차 변동을 담당한다. 디코더는 p_θ(x|g,z) 를 학습하며, 재구성 손실(L_rec)과 KL 다이버전스(β 가중치) 외에 분포 정규화 손실(L_dist) – 생성된 시계열과 실제 시계열의 분위수 차이를 최소화 – 를 추가한다. 학습 목표는 조건부 ELBO에 위 세 가지 보조 손실을 결합한 형태이며, 이는 구조와 잔차를 명확히 분리하도록 유도한다. 이론적으로 Proposition 4.1을 통해 X=E