본 논문은 현실적인 시계열 데이터를 생성하는 데 필수적인 제약 조건을 충족하면서, 기존 방법의 확장성 및 품질 저하 문제를 해결하기 위해 고안된 새로운 확산 기반 샘플링 알고리즘인 Constrained Posterior Sampling (CPS)를 제시합니다. CPS는 각 디노이징 업데이트 후 사후 평균 추정치를 제약 조건 집합에 투영하는 방식으로 작동하며, 최대 100개까지의 제약 조건에 대해 추가적인 학습 없이 확장성을 확보합니다. CPS는 실제 주식, 교통량, 대기질 데이터 세트에서 기존 최고 수준의 방법보다 샘플 품질과 실제 시계열 유사성 측면에서 각각 약 70% 및 22% 더 나은 성능을 보였습니다.
