본 연구는 데이터 오용 및 조작의 위험 증가에 대한 동기 부여를 바탕으로, 시계열 대형 모델(TSLM)에 의해 생성된 합성 시계열을 식별하는 문제를 탐구한다. 텍스트 생성 모델 탐지에 대한 기존 연구와 달리, 시계열 데이터는 정보 밀도가 낮고 확률 분포가 더 부드러워, 토큰 기반 탐지기가 효과를 발휘하기 어렵다는 점을 지적한다. 이를 해결하기 위해, 저자들은 실제 시계열과 모델 생성 시계열 간의 미묘한 분포 차이를 조사하고, 재귀적 예측 하에서 모델 생성 시계열이 실제 시계열과 달리 점진적으로 불확실성이 감소한다는 수축 가설을 제안한다. 이론적 가정을 통해 이 가설을 증명하고, 다양한 데이터 세트에 대한 실험적 검증을 제공한다. 이를 기반으로, 연속적인 접두사(prefixes)에 대한 불확실성 지표를 집계하여 TSLM 생성 시계열을 식별하는 화이트박스 탐지기인 불확실성 수축 추정기(UCE)를 제안한다. 32개의 데이터 세트에 대한 실험에서 UCE는 기존의 최고 수준의 기준선보다 일관적으로 우수한 성능을 보이며, 모델 생성 시계열을 탐지하기 위한 신뢰할 수 있고 일반화 가능한 솔루션을 제공한다.
