본 논문은 기존의 자기회귀 알고리즘 대신 생성 모델을 활용한 시계열 예측(TSF)에 대한 최초의 이론적 프레임워크를 제시합니다. GAN, Diffusion, Flow Matching 등 다양한 생성 방법을 포함하는 비자기회귀적 접근 방식이 높은 생성 능력과 정확도를 경험적으로 보여주었지만, 근사와 일반화 과정에 대한 이해는 부족했습니다. 본 논문은 흐름 기반 생성 모델의 관점에서 근사, 일반화, 효율성 세 가지 측면에 대한 엄격한 보장을 제공하여 이러한 한계를 해소합니다. 구체적으로, Diffusion Transformer(DiT)의 보편적 근사 하에서 흐름 기반 생성 모델의 적합성이 임의의 오차로 수렴함을 보이고, 다항식 기반 정규화를 도입하여 다항식 근사의 일반화를 기반으로 일반화 오차를 경계짓습니다. 또한, 생성을 위한 샘플링을 최적화 과정으로 간주하여, 특정 목적 함수의 1차 경사 하강법 업데이트를 통한 빠른 수렴을 보여줍니다.
