🤖 machine learning

SRT: Super-Resolution for Time Series via Disentangled Rectified Flow

이 논문은 신호를 추세와 계절성 성분으로 분해함으로써 저해상도 입력을 통해 고해상도 시계열을 재구성하기 위해 분리된 rectified flow와 교차 해상도 어텐션을 활용하는 새로운 프레임워크인 SRT를 소개하며, 확장된 SRT-large 변체는 여러 데이터셋에 걸쳐 강력한 제로샷 능력을 입증한다.

원저자: Jufang Duan, Shenglong Xiao, Yuren Zhang

게시일 2026-06-09

📖 4 분 읽기☕ 가벼운 읽기

CC BY 4.0

원저자: Jufang Duan, Shenglong Xiao, Yuren Zhang

원본 논문은 CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/) 라이선스로 제공됩니다. ✨ 이것은 아래 논문에 대한 AI 생성 설명입니다. 저자가 작성하거나 승인한 것이 아닙니다. 기술적 정확성을 위해서는 원본 논문을 참조하세요. 전체 면책 조항 읽기

거대한 문제: 시간의 "흐릿한 사진"

경주용 자동차를 보고 있는데, 카메라가 10초에 한 번씩만 사진을 찍는다고 상상해 보세요. 출발할 때의 사진 한 장, 결승선을 통과할 때의 사진 한 장은 얻었지만, 그 사이에서 일어난 경주는 통째로 놓쳐버렸습니다.

현실 세계에서는 이런 일이 항상 일어납니다. 심박수 모니터, 공장 기계, 혹은 기상 관측소 데이터가 그렇습니다. 비용이 너무 많이 들거나, 배터리를 소모하거나, 저장 공간을 가득 채우기 때문에 데이터를 충분히 빠르게 기록하지 못하는 경우가 많습니다. 우리는 결국 중요한 세부 사항을 놓친 "저해상도(Low-Resolution)" 데이터, 즉 듬성듬성하고 끊긴 점들만을 갖게 됩니다.

목표: 이 논문은 다음과 같은 질문을 던집니다. AI를 사용하여 저속 슬라이드쇼로부터 매끄러운 고속 영상을 만들어내듯, 그 희소한 점들 사이의 빠진 순간들을 발명해낼 수 있을까? 이것이 바로 **시계열 초해상도(Time Series Super-Resolution, TSSR)**입니다.

기존 방식들이 실패하는 이유

여러분은 이렇게 생각할지도 모릅니다. "그럼 흐릿한 사진을 선명하게 만드는 일반적인 AI(이미지 초해상도)를 쓰면 되잖아!" 하지만 저자들은 그것이 마치 붓을 사용하여 고장 난 시계를 고치려는 것과 같다고 말합니다.

이미지는 공간(서로 인접한 픽셀)에 관한 것입니다.
시계열은 시간(순차적으로 발생하는 이벤트)에 관한 것입니다.
차이점: 사진에서 흐릿한 경계는 그저 뭉개진 선일 뿐입니다. 하지만 시계열 데이터에서 "흐릿한" 간격은 갑작스러운 심장마비 스파이크나 기계 충돌을 일으키는 진동을 숨기고 있을 수 있습니다. 기존 AI는 빈 부분을 추측하지만, 종종 너무 매끄럽게 보이거나 결정적인 날카로운 스파이크를 놓치곤 합니다.

해결책: SRT (시계열 초해상도)

저자들은 SRT라고 불리는 새로운 시스템을 구축했습니다. SRT를 단순히 레시피를 추측하는 것이 아니라, 요리의 핵심 재료를 분해하여 각각 따로 준비한 뒤 완벽하게 다시 섞어내는 숙련된 셰프로 생각해보세요.

SRT가 작동하는 단계별 과정은 다음과 같습니다.

1. "해체" (Disentanglement, 분리)

전체 그림을 한꺼번에 추측하는 대신, SRT는 데이터를 두 가지 뚜렷한 "풍미"로 나눕니다.

추세 (The Trend - 느린 걸음): 데이터가 나아가는 전반적인 방향입니다 (예: 하루 동안 서서히 상승하는 기온).
계절성 (The Seasonality - 리듬): 반복되는 패턴입니다 (예: 심장의 쿵-쾅 하는 박자나 매일 반복되는 출퇴근 시간의 교통량 급증).

비유: 노래를 상상해 보세요. "추세"는 느리고 꾸준한 베이스 라인입니다. "계절성"은 귀에 쏙 들어오는 반복적인 드럼 비트입니다. SRT는 베이스와 드럼을 분리하여 각각을 개별적으로 수정할 수 있게 합니다.

2. "마법의 다리" (Implicit Time Function, 암시적 시간 함수)

AI는 새로운 데이터 포인트를 어디에 배치해야 할지 알아야 합니다. 이를 위해 **암시적 시간 함수(ITF)**라는 도구를 사용합니다.

비유: 저해상도 데이터를 몇 개의 나무 울타리 기둥이라고 생각해 보세요. ITF는 이 기둥들 사이를 잇는 마법의 밧줄입니다. 이 밧줄은 울타리가 휘어져 있더라도 모든 빠진 판자를 정확히 어디에 놓아야 할지 알며, 매끄럽고 연속적인 선을 만들어냅니다. 이는 "느린" 데이터를 "빠른" 타겟 타임라인에 정렬시킵니다.

3. "스피드 페인터" (Rectified Flow, 정류 흐름)

이것은 누락된 세부 사항을 실제로 그려내는 엔진입니다. 저자들은 Rectified Flow라는 기술을 사용합니다.

기존 방식 (Diffusion, 확산): 무작위 노이즈 덩어리에서 시작하여 이미지가 나타날 때까지 천천히 노이즈를 지워나가는 것을 상상해 보세요. 시간이 오래 걸리고 지저분해질 수 있습니다.
SRT 방식 (Rectified Flow): 직선 고속도로를 상상해 보세요. AI는 "무작위 노이즈"에서 "완벽한 데이터"로 가는 가장 직접적이고 곧은 경로를 학습합니다. 경로가 직선이기 때문에 단 4단계 만에 그곳에 도달할 수 있습니다 (기존의 수백 단계 대신).
결과: 이는 "계절성"(드럼 비트)과 "추세"(베이스 라인)를 각각 생성하여, 날카로운 스파이크와 매끄러운 곡선이 모두 정확하도록 보장합니다.

4. "지휘자" (Cross-Resolution Attention, 교차 해상도 어텐션)

재료가 준비되면, SRT는 이를 섞어야 합니다. 이를 위해 교차 해상도 어텐션이라는 특별한 메커니즘을 사용합니다.

비유: 오케스트라를 이끄는 지휘자를 상상해 보세요. 지휘자는 저해상도 음표(희소한 데이터)와 고해상도 브릿지(ITF)를 동시에 살핍니다. 그리고 음악이 서로 어긋나지 않도록, 새 음표들이 기존 음표들과 완벽하게 어우러지도록 연주자들이 얼마나 크게 혹은 작게 연주해야 할지 정확히 지시합니다.

"대형 버전": SRT-Large

저자들은 또한 SRT-Large를 만들었습니다.

비유: 표준 SRT가 동네 레시피를 잘 아는 유능한 로컬 셰프라면, SRT-Large는 전 세계의 음식을 모두 맛본 세계적인 유명 셰프입니다.
작동 원原理: 이 모델은 다양한 산업(유통, 전력, 운송)의 방대한 데이터를 바탕으로 학습되었습니다.
초능력: 수많은 "레시피"를 접했기 때문에, 이 모델은 특정 작업에 대한 학습 예시가 없더라도 처음 보는 새로운 유형의 데이터에 대해 누락된 세부 사항을 추측할 수 있습니다. 이를 Zero-Shot(제로샷) 능력이라고 합니다.

이것이 왜 중요한가 (논문에 따르면)

SRT는 교통, 날씨, 전력 사용량 등 9가지의 실제 세계 데이터셋을 통해 테스트되었습니다.

정확도: SRT는 이전의 어떤 방식보다 누락된 세부 사항을 더 잘 재현했으며, 매끄러운 추세와 날카롭고 갑작스러운 스파이크를 모두 잡아냈습니다.
속도: "직선 고속도로"(Rectified Flow) 방 방식을 사용하기 때문에 데이터를 믿기 힘들 정도로 빠르게 생성합니다. 이는 수백 단계를 거치는 기존 AI 모델보다 훨씬 빠릅니다.
유연성: 데이터가 단순히 "건너뛴(Sampled)" 경우이든, "평균화된(Aggregated, 예: 시간당 데이터를 일간 평균으로 변환)" 경우이든 상관없이 작동합니다.

요 요약

SRT는 듬성듬성하고 저속인 시계열 데이터를 가져와서, 그 간극을 메워 매끄러운 고속 버전으로 만드는 새로운 AI 도구입니다. 이는 데이터를 "느린 추세"와 "빠른 리듬"으로 분리하고, 이들을 정렬하기 위한 스마트한 다리를 사용하며, 누락된 조각들을 그려내기 위한 빠른 "직선 경로" 엔진을 사용하여 수행됩니다. SRT는 이전 방식들보다 더 빠르고, 더 정확하며, 더 적응력이 뛰어납니다.

기술 요약: SRT - 분리된 정류 흐름(Disentangled Rectified Flow)을 통한 시계열 초해상도

1. 문제 정의

본 논문은 저해상도(LR) 입력을 통해 고해상도(HR) 신호를 재구성하는 것을 목표로 하는 시계열 초해상도(Time Series Super-Resolution, TSSR) 문제를 다룹니다. 이미지 초해상도는 잘 연구되어 있으나, 컴퓨터 비전 기술을 시계열에 직접 전이하는 것은 데이터 사전 지식(prior)과 차원의 근본적인 차이로 인해 어려움이 있습니다.

저자들은 LR 데이터의 생성 원리에 따라 TSSR 문제를 두 가지 하위 유형으로 공식적으로 구분합니다:

샘플링 초해상도 (Sampled Super-Resolution, SSR): 언더샘플링된 시퀀스에서 누락된 샘플을 재구성함 (예: $l_i = h_{p_k}$ ).
집계 초해상도 (Aggregated Super-Resolution, ASR): 집계된 값(예: 일일 평균)을 미세한 구성 요소(예: 시간당 값)로 분배함. 이 경우 원래의 고주파 분포는 소실됨 ( $l_i = \frac{1}{\alpha}\sum h_j$ ).

핵심적인 어려움은 LR 입력에는 존재하지 않는 신뢰할 수 있는 HR 세부 사항(예: 날카로운 피크 또는 일시적인 진동)을 생성하는 데 있으며, 이는 단순히 원래 HR 시퀀스 내의 누락된 지점을 가정하는 일반적인 시계열 결측치 보간(imputation)과는 구별되는 작업입니다.

2. 방법론: SRT 프레임워크

제안된 SRT (Super-Resolution for Time series) 프레임워크는 **정류 흐름(Rectified Flow)**에 기반한 분리 접근 방식을 사용합니다. 이 아키텍처는 다음 파이프라인을 통해 작동합니다.

A. 분해 (Decomposition)

입력 LR 시리즈는 Autoformer 스타일의 분해(패딩을 포함한 평균 풀링)를 사용하여 **추세(trend, $\tau$ )**와 주기성/계절성(periodic/seasonal, $s$ ) 성분으로 분해됩니다. 모델은 다운샘플링 과정에서 손실된 잔차 세부 사항을 생성하는 것을 목표로 하며, 장기 추세 생성과 단기 변동 생성을 분리합니다.

B. 암묵적 시간 함수 (Implicit Time Function, ITF)

LR과 HR 시간 축 사이의 격차를 메우기 위해 저자들은 **암묵적 시간 함수(ITF)**를 도입했습니다.

기능: ITF는 LR 추세 및 주기성 성분을 대상 HR 해상도에 맞추는 학습 가능한 보간기 역할을 합니다.
메커니なる: 세 단계의 과정을 수행합니다:
1. 시간적 풍부화 (Temporal Enrichment): 장기 의존성을 포착하기 위해 확장된 윈도우(dilated window) 내에서 채널을 결합합니다.
2. 값 예측 (Value Prediction): 풍부해진 LR 특징과 상대적 시간 오프셋을 기반으로 대상 시간 축에서의 값을 예측하는 신경망을 사용합니다.
3. 패턴 매끄러움 (Pattern Smoothness): 예비 추정치를 집계합니다. 추세의 경우 국부성(locality)을 강제하고, 주기성 성분의 경우 FFT를 통해 계산된 거리를 사용하여 주기성 제약을 통합합니다.
스케일링: 큰 스케일 팩터의 경우, 안정성을 보장하기 위해 ITF를 계단식(cascaded) 방식으로 적용합니다 (예: $L \to 3L \to H$ 매핑).

C. 정류 흐름 생성 (Rectified Flow Generation)

잔차 추세 및 주기성 성분의 생성은 사전 분포(가우시안 노이즈)에서 대상 분포로의 직선적인 전이 경로를 학습하는 **정류 흐름(Rectified Flow)**을 사용하여 모델링됩니다.

과정: 모델은 초기 상태( $s_0, \tau_0$ )를 대상 상태( $s_1, \tau_1$ )로 변환하기 위해 상미분 방정식(ODE)을 풉니다.
샘포링: 추론에는 4단계 오일러 방법(Euler method)을 사용하여, 수백 단계가 필요한 전통적인 확산 모델(diffusion models)보다 훨씬 빠릅니다.

D. 속도 예측기 및 교차 해상도 어텐션 (Velocity Predictor and Cross-Resolution Attention, CRA)

핵심 생성 엔진은 상태 전이를 지배하는 속도장( $v_s, v_\tau$ )을 예측하는 **디코더 전용 트랜스포머(decoder-only Transformer)**입니다.

아키텍처: 회전 위치 인코딩(RoPE)과 Pre-Layer Normalization을 포함합니다.
교차 해상도 어텐션 (CRA): 두 개의 서브 레이어로 구성된 새로운 메커니즘입니다:
1. 첫 번째 레이어: ITF에 의해 정렬된 고해상도 조건( $c_s, c_\tau$ )에 대한 교차 어텐션.
2. 두 번째 레이어: 원래의 LR 시계열에 대한 교차 어텐션.
  - SSR의 경우: 이 레이어는 사용 가능한 LR 타임 스텝에만 어텐션을 수행하도록 마스킹되어, 알려진 지점에서의 생성을 조정합니다.
  - ASR의 경우: LR 입력을 모든 HR 스텝에 브로드캐스트하여 집계된 세그먼트 값을 학습합니다.

이 설계는 모델이 미세한 구조적 단서(ITF로부터)와 거친 맥락 정보(LR 입력으로부터) 모두에 조건화될 수 있도록 합니다.

E. SRT-Large (제로샷 능력)

HR 훈련 데이터를 사용할 수 없는 시나리오를 해결하기 위해 저자들은 SRT-large를 제안합니다.

스케일링: 더 많은 어텐션 헤드, 더 큰 FFN 차원, 더 많은 디코더 블록을 통해 파라미터 수를 30M으로 늘렸습니다.
사전 훈련: 대규모의 다양한 데이터셋(소매, 웹 검색, 전력, 교통)에서 훈련되었습니다.
아키텍처 변경: ITF의 MLP 구성 요소를 제거하였으며, 디코더를 더 거친 조건 시퀀스로부터 숨겨진 관계를 직접 추론할 수 있도록 강화했습니다.
전략: 단변량 시계열을 위한 채널 독립적(channel-independent) 모델로 구현되어, 다변량 시계열을 차원별로 처리합니다.

3. 주요 기여

문제 정형화: 두 가지 뚜렷한 TSSR 하위 유형(SSR 및 ASR)을 정의하고 표준화된 평가 프로토콜을 수립했습니다.
SRT 아키텍처: 시계열 분해, 정렬을 위한 암묵적 시간 함수, 효율적이고 고충실도의 생성을 위한 정류 흐름을 결에는 프레임워크를 도입했습니다.
새로운 메커니즘: 다해상도 특징을 효과적으로 융합하기 위해 교차 해상도 어텐션(CRA) 메커니즘과 **암묵적 시간 함수(ITF)**를 제안했습니다.
제로샷 확장: 대규모 사전 훈련을 통해 강력한 제로샷 초해상도 능력을 입증하는 SRT-large를 개발했습니다.

4. 실험 결과

실험은 9개의 공개 데이터셋(ETTh1/2, ETThm1/2, Weather, PEMS-SF, SelfRegulation 포함)에 대해 SSR 및 ASR 작업 모두에서 수행되었습니다.

성능: SRT는 MSE(평균 제곱 오차)와 DTW(Dynamic Time Warping) 거리 모두에서 8개의 베이스라인(SRDiff, ResShift, IDM, FlowIE, CSDI, FTS-Diff, Diff-TS, FlowTS 포함)을 일관되게 능가했습니다.
정성적 분석: 시각화 결과, SRT는 전체적인 프로파일을 더 잘 재구성하고, 안정적인 상태 영역에서 안정성을 유지하며(과도한 변동성 방지), 변동성이 큰 영역에서 베이스라인보다 날카로운 피크를 더 충실하게 복구함을 보여줍니다.
효율성: SRT는 200단계 이상이 필요한 확산 모델과 비교하여, 정류 흐름의 4단계 샘플링 덕분에 우수한 생성 속도(베이스라인 중 1위)를 달야냅니다.
절제 연구 (Ablation Studies): 핵심 구성 요소(ITF, CRA, 분해, RoPE, Pre-LN) 중 하나라도 제거하면 성능이 저하됨을 확인하여 각 모듈의 필요성을 검증했습니다.
SRT-large: 다양한 데이터셋과 스케일 팩터에 대해 제로샷 설정에서 최첨단 성능을 입증했으나, 추론 시 계산 비용은 더 높았습니다.

5. 의의 및 주장

본 논문은 SRT가 단순한 이미지 초해상도 기술의 적응을 넘어 TSSR의 근본적인 과제를 해결한다고 주장합니다. 시계열 역학(추세 대 주기성)을 명시적으로 분리하고 교차 해상도 어텐션에 의해 가이드되는 정류 흐름 프레임워크를 활용함으로써, SRT는 다음을 달성합니다:

높은 충실도: 안정적인 단계와 변동하는 단계 모두를 정확하게 재구성합니다.
효율성: 실제 응용 분야에 적합한 빠른 추론을 제공합니다.
일반화 가능성: 양방향 데이터 유형(샘플링 및 집계)을 모두 처리할 수 있으며, SRT-large를 통해 제로샷 시나리오로 확장 가능합니다.

저자들은 이 접근 방식이 시계열의 분해 가능성(추세와 주기성으로의 분해)이라는 구조적 가정에 의존하며, 이것이 모든 실제 데이터 동작에 엄격하게 적용되지 않을 수 있음을 인정합니다. 향-후 연구로는 유연성을 더욱 높이기 위해 사전 지식 선택의 적응형 방법을 탐색하는 것이 제안되었습니다. 본 연구는 더 견고하고 보편적으로 적용 가능한 시계열 초해상도 전략을 향한 기초적인 단계로 제시됩니다.