CoSTI: Spatio-Temporal Imputation을 위한 일관성 모델 (더 빠른)

다변량 시계열 보간(Multivariate Time Series Imputation, MTSI)은 의료 감시 및 교통 관리와 같은 많은 응용 분야에서 불완전한 데이터가 의사 결정을 저해할 수 있어 중요한 역할을 합니다. 기존의 최신 방법론인 노이즈 제거 확률 모델(Denoising Diffusion Probabilistic Models, DDPMs)은 높은 보간 정확도를 달성하지만, 그 반복적인 특성으로 인해 상당한 계산 비용과 시간 소모가 문제가 되어 왔습니다. 본 연구에서는 MTSI 영역을 위한 일관성 모델(Consistency Models, CMs)의 혁신적인 변형인 CoSTI를 제안합니다. CoSTI는 일관성 훈련(Consistency Training)을 사용하여 DDPMs와 유사한 보간 품질을 달성하면서 추론 시간을 크게 단축시키므로 실시간 응용 분야에 더 적합합니다. 우리는 여러 데이터셋과 결측 데이터 시나리오에서 CoSTI를 평가하여, 최대 98%의 보간 시간 단축 효과를 확인하였으며, 확산 기반 모델과 동등한 성능을 보였습니다. 이 연구는 생성적 보간 작업에서 효율성과 정확도 사이의 간극을 좁히고, 중요한 공간-시계열 시스템에서 결측 데이터를 처리하기 위한 확장 가능한 솔루션을 제공합니다.