본 논문은 다운스트림 시계열 마이닝 작업을 지원하기 위해 고품질 시계열 데이터를 생성하는 문제에 대해 연구합니다. 특히, 시간적 역학의 내재적 확률성을 모델링하는 데 중점을 둡니다. 확산 모델의 계산 비효율성을 극복하고, SDE(Stochastic Differential Equation)를 기반으로 하는 TimeFlow라는 새로운 flow matching 프레임워크를 제안합니다. TimeFlow는 인코더 전용 아키텍처를 통합하고, 시계열의 다면적 구조를 캡처하기 위한 구성 요소별 분해된 속도 필드와 표현력 향상을 위한 추가적인 확률적 항을 사용하여 일반적인 flow-matching 최적화를 보강합니다. 이 모델은 무조건적 및 조건적 생성 작업을 모두 지원하며, 다양한 데이터 세트에 대한 실험을 통해 기존 모델보다 우수한 성능을 입증합니다.
