기존 시계열 예측을 위한 생성 모델들은 단순한 사전 분포(주로 가우시안)를 복잡한 데이터 분포로 변환하는데, 이때 과거 데이터와 독립적인 샘플링 초기화로 인해 시간적 의존성을 제대로 포착하지 못하고 예측 정확도가 제한됩니다. 또한 잔차를 단순히 최적화 목표로만 다루어, 체계적인 편향이나 중요한 분포 구조와 같은 의미 있는 패턴을 무시합니다. 본 논문에서는 보조 예측 모델의 출력을 통합하여 플로우 매칭을 확장하는 새로운 모델 독립적 프레임워크인 조건부 유도 플로우 매칭(CGFM)을 제안합니다. 이를 통해 예측 잔차의 확률적 구조로부터 학습하고, 보조 모델의 예측 분포를 활용하여 학습 난이도를 줄이고 예측을 개선합니다. CGFM은 과거 데이터를 조건과 안내 모두로 통합하고, 양방향 조건부 경로(소스와 타겟이 동일한 과거 데이터를 조건으로 함)를 사용하며, 복잡한 메커니즘 없이 경로 교차를 피하고 시간적 일관성을 유지하며 분포 정렬을 강화하기 위해 아핀 경로를 사용합니다. 다양한 데이터셋과 기준 모델에 대한 실험 결과, CGFM이 최첨단 모델들을 꾸준히 능가하여 예측 성능을 향상시키는 것을 보여줍니다.
