Detecting Diffusion-Generated Time Series Under Generator Shift

기술적 요약: 생성기 이동 하의 확산 기반 시계열 탐지

문제 제기
실제 시계열과 확산 모델로 생성된 시계열 사이의 경계는 구별하기 increasingly 어려워지고 있으며, 이는 의료 및 금융과 같은 중요한 분야의 데이터 무결성에 위험을 초래합니다. 확산 모델 (예: SSSD, TSDiff) 을 통한 합성 데이터 생성은 발전했지만, 생성기가 알려지지 않은 경우 특히 이러한 합성 데이터의 탐지는 여전히 미탐구 상태로 남아 있습니다. 기존 탐지 방법들은 주로 이미지 영역에서 유효한 가정들—구체적으로 "보편적" 재구성 사전 (universal reconstruction prior) 의 가용성이나 생성기의 내부 분포에 대한 직접적 접근—에 의존합니다. 그러나 이러한 가정들은 시계열에서는 성립하지 않습니다. 시계열의 경우 모델들은 일반적으로 고유한 역방향 역학 (reverse dynamics) 을 가진 좁은 분포들에서 훈련되기 때문입니다. 본 연구가 다루는 핵심 과제는 생성기 이동 (generator shift) 상황, 즉 훈련 중에 보지 못한 생성기들로부터의 샘플을 탐지해야 하는 Out-of-Distribution (OOD) 시나리오에서 확산 기반 시계열을 탐지하는 것입니다.

방법론
본 논문은 두 가지 구별되는 탐지 전략을 평가합니다:

1. 화이트박스 재구성 기반 탐지:
   이미지 영역 방법 (특히 DIRE) 에서 적응된 이 접근법은 목표 생성기와 동일한 분포에서 훈련된 참조 확산 모델 ($G^*$) 에 대한 접근을 요구합니다. 탐지기는 입력 시계열 $x_0$에 대해 DDIM 역변환 및 재구성을 수행하기 위해 $G^*$를 사용합니다. 재구성 오차 $d_{G^*}(x_0) = (x_0 - R_{G^*}(x_0))^2$가 탐지 신호로 작용합니다. 가설은 $G^*$에서 생성된 합성 샘플은 낮은 재구성 오차를 가지는 반면, 실제 샘플은 높은 오차를 가진다는 것입니다.

   • 한계: 시계열 영역에는 보편적인 생성기가 존재하지 않습니다. 보지 못한 생성기 ($G_i$) 의 샘플에 적용될 때, 재구성 모델 $G^*$는 입력 구조를 보존하기보다 자신의 학습된 분포 ($p_{G^*}$) 로 입력을 매핑하려 시도합니다. 결과적으로 실제 샘플과 보지 못한 생성기의 샘플에 대한 재구성 오차는 구별 불가능한 분포로 수렴하여 결정 경계가 사라지게 됩니다.

2. 블랙박스 분류기 기반 탐지:
   이 접근법은 재구성을 완전히 우회합니다. 탐지를 "실제" 또는 "합성"(단일 알려진 생성기 $G^*$에 의해 생성됨) 으로 레이블링된 원시 신호에 직접 훈련되는 표준 시계열 분류기를 사용하는 이진 분류 문제로 취급합니다. 분류기는 생성기의 내부 메커니즘에 대한 접근이나 재구성 사전 없이 원시 데이터에서 직접 합성 아티팩트를 식별하도록 학습합니다. 본 연구는 SSSD 에서 생성된 샘플과 짝을 이루는 실제 데이터로 훈련된 Disjoint-CNN을 주력으로 하여, InceptionTime 및 LITE 와 같은 오프더셸 (off-the-shelf) 아키텍처를 활용합니다.

주요 기여

1. 최초의 체계적 탐구: 본 연구는 확산 기반 시계열에 대한 화이트박스 및 블랙박스 탐지 전략의 최초의 포괄적인 비교를 제공합니다.
2. 도메인 특이적 실패 식별: 저자들은 보편적 사전 (예: Stable Diffusion) 으로 인해 이미지에서 성공적인 재구성 기반 탐지가 생성기 이동 하의 시계열에서는 실패함을 입증합니다. 그들은 시계열 확산 모델은 보편적 재구성 사전이 부족하며, 대신 실제 데이터와 보지 못한 합성 데이터 간의 재구성 오차가 겹치게 만드는 모델별 역방향 역학을 학습함을 보여줍니다.
3. 블랙박스 타당성 검증: 본 연구는 단일 생성기로 훈련된 간단한 오프더셸 분류기가 보지 못한 생성기에도 효과적으로 일반화되어 OOD 설정에서 화이트박스 접근법보다 훨씬 우수한 성능을 보임을 확립합니다.

실험 결과
평가 는 10 개의 벤치마크 데이터셋, 3 가지 시퀀스 길이 (32, 64, 128), 그리고 4 가지 확산 기반 생성기 (SSSD, TSDiff, Diffusion-TS, WaveStitch) 를 통해 수행되었습니다.

• In-Distribution (ID): 화이트박스 접근법 (DIRE) 은 잘 수행되지만 (평균 F1: 91.9), 거의 완벽한 성능 (F1 > 94) 을 달성하는 블랙박스 분류기 (Disjoint-CNN) 보다는 약간 낮습니다.
• Out-of-Distribution (OOD): 성능 격차가 극적으로 벌어집니다.
  • 화이트박스 (DIRE): 생성기 이동 하에서 실패하여, 대부분의 보지 못한 생성기에 대해 평균 OOD F1 이 64.9이며, 1% 거짓 양성률 (FPR) 에서의 True Positive Rate (TPR@1%FPR) 가 0.00에 가깝습니다. 실제 및 합성 샘플 간의 재구성 오차가 구별 불가능해집니다.
  • 블랙박스 (Disjoint-CNN): 평균 OOD F1 이 79.2로, 화이트박스 접근법 대비 22.1% 의 상대적 개선을 보입니다. TPR@1%FPR 은 57.2를 유지합니다.
• 품질 및 길이의 영향: 합성 데이터의 품질이 향상됨에 따라 (예: Diffusion-TS 는 낮은 탐지 가능성으로 고품질 데이터를 생성함) 탐지가 어려워집니다. 또한, 블랙박스 탐지기는 더 긴 시퀀스 길이 (128) 에서도 강력한 ID 성능을 유지하지만, OOD 일반화는 저하되어 시퀀스 길이가 증가함에 따라 생성기 간 아티팩트를 포착하기 어려워짐을 시사합니다.

의의 및 주장
본 논문은 확산 기반 시계열 탐지가 이미지 영역 문제의 직접적인 이전 (direct transfer) 이 아님을 주장합니다. 보편적 재구성 사전에 대한 의존성은 생성기가 분포별인 시계열에서는 근본적인 불일치입니다. 따라서 저자들은 재구성 기반 방법보다 해석 가능성이 낮음에도 불구하고, 블랙박스 탐지가 이 도메인을 위한 실행 가능하고 우월한 시작점이라고 결론지었습니다. 본 연구는 현재 블랙박스 탐지기가 효과적이지만, 그들이 포착하는 특정 신호와 다양한 생성기 유형 및 데이터셋 이동에 대한 일반화는 향후 연구의 열린 영역임을 강조합니다.