복잡 네트워크를 통한 합성 시계열 생성
Synthetic Time Series Generation via Complex Networks
시계열 데이터는 다양한 응용 분야에 필수적이지만, 고품질 데이터셋에 대한 접근은 흔히 프라이버시 문제, 수집 비용, 레이블링(labelling) 문제로 인해 제약을 받는다. 합성 시계열 생성(synthetic time series generation)은 이러한 한계를 해결하기 위한 유망한 접근법으로 부상했다. 본 연구에서는 합성 시계열 생성을 위한 복잡 네트워크(complex network) 매핑의 활용을 조사하며, 분위수 그래프(Quantile Graph, QG) 표현과 그 역(inverse)에 초점을 맞춘다. 역 QG 매핑은 이전에 제안된 바 있지만, 범용 데이터 생성기로서의 가능성은 체계적으로 평가되지 않았다. 본 연구는 역 분위수 그래프(Inverse Quantile Graph, InvQG) 프레임워크로 생성된 합성 시계열의 충실도(fidelity)와 유용성(utility)을 모두 평가하는 포괄적인 실증 연구를 통해 이러한 공백을 해소한다. 이 평가는 통계적 특징 분석, 네트워크 기반 위상학적(topological) 특성, 그리고 시뮬레이션 데이터셋과 실제 데이터셋을 사용한 다운스트림 클러스터링(clustering) 및 분류(classification) 작업에서의 성능을 결합한다. 결과는 InvQG가 다양한 모델에 걸쳐 주변 분포(marginal distribution)와 단기 시간적 의존성(short-term temporal dependency)을 효과적으로 보존하는 동시에, 장기(long-range) 또는 고차(higher-order) 동역학을 포착하는 데에는 예측 가능한 한계를 보인다는 것을 보여준다.