본 논문은 모바일 센서의 확산으로 인해 생성되는 방대한 이종 시간 시계열 데이터를 활용한 mHealth 분야의 AI 애플리케이션 연구에 대해 다룬다. 윤리적 규제, 개인정보 보호 문제 등으로 인해 데이터 수집이 제한적인 현실을 감안하여, Generative Adversarial Networks (GANs) 및 Diffusion Models 등을 활용한 합성 데이터 생성이 해결책으로 제시된다. 하지만 기존 모델들은 단기간, 단일 모드 신호 패턴에 한정되는 경우가 많다. 따라서 본 논문에서는 다중 모드, 장기 의존성, 조건부 생성 등 mHealth 분야의 주요 과제를 다루는 최첨단 생성 모델들을 체계적으로 평가한다. 공정한 비교를 위해 합성 데이터의 고유 품질과 downstream 예측 작업에서의 유용성을 측정하는 새로운 평가 프레임워크를 제시하며, 기존 접근 방식의 한계(교차 모드 일관성 유지, 시간적 일관성 유지, train-on-synthetic, test-on-real 및 데이터 증강 시나리오에서의 강력한 성능 보장 등)를 밝히고, 향후 연구 방향을 제시한다.
