본 논문은 기존의 Denoising Diffusion Probabilistic Models (DDPMs)이 시간에 따라 변하는 시계열의 불확실성을 제대로 포착하지 못하는 한계를 극복하기 위해, Location-Scale Noise Model (LSNM)을 활용한 새로운 확률적 예측 프레임워크인 Non-stationary Diffusion (NsDiff)를 제안합니다. NsDiff는 고정된 분산을 가정하는 Additive Noise Model (ANM) 대신 LSNM을 사용하여 시간에 따라 변하는 불확실성 패턴을 모델링합니다. 이는 잡음 제거 확산 기반 조건부 생성 모델과 사전 훈련된 조건부 평균 및 분산 추정기를 결합하여 적응적인 종착점 분포 모델링을 가능하게 합니다. 또한, 각 단계에서 데이터의 불확실성을 정확하게 반영하도록 잡음 수준을 동적으로 조정하는 불확실성 인식 잡음 스케줄을 제안하여 시간에 따라 변하는 분산을 확산 과정에 통합합니다. 9개의 실제 및 합성 데이터셋에 대한 실험을 통해 NsDiff가 기존 방법보다 우수한 성능을 보임을 입증합니다.
