합성 시계열은 무엇과 얼마나 닮아야 쓸모가 있을까

합성 시계열이 실제 자료와 비슷해 보인다는 말만으로는 품질을 판단하기 어렵습니다. 파형의 모양이 닮았는지, 다양한 상황을 담았는지, 실제 분석 과제에 도움이 되는지, 원자료의 개인정보를 드러내지 않는지를 따로 확인해야 합니다.

무엇을 닮았는지 먼저 정하기

시계열의 닮음은 평균값 하나로 표현되지 않습니다. 값의 분포, 변화 속도, 반복 주기, 여러 신호 사이의 시간 관계가 각각 다를 수 있습니다. 합성 자료의 평균과 표준편차가 비슷해도 사건 전후의 순서나 신호 사이의 결합이 어색할 수 있습니다.

TSGBench는 생성 시계열 평가를 다양성, 충실도, 유용성의 세 축으로 설명합니다. 충실도는 합성 자료가 기준 자료의 특징과 얼마나 닮았는지를 묻습니다. 하나의 거리 지표만 고르기보다 시간 영역과 주파수 영역, 분포와 의존 구조를 목적에 맞게 비교해야 합니다.

다양성이 없으면 복제에 가까워질 수 있다

모든 합성 시계열이 비슷한 모양만 반복하면 평균적인 사례에는 잘 맞아 보여도 드문 조건을 시험하기 어렵습니다. 다양성은 무작위 잡음을 많이 넣는다는 뜻이 아닙니다. 가능한 범위 안에서 서로 다른 길이, 결측, 잡음, 사건 구간과 개인차를 표현하는지를 묻는 기준입니다.

다양성을 지나치게 늘리면 실제로 존재하기 어려운 조합이 생길 수 있습니다. 따라서 생성 범위에는 물리적 조건과 데이터 정의가 필요합니다. 어떤 변수를 독립적으로 바꿀 수 있고 어떤 신호는 함께 움직여야 하는지 기록해야 합니다.

유용성은 실제 과제로 확인한다

합성 자료를 학습이나 시험에 썼을 때 실제 자료 대상 과제에서 성능이 유지되는지 확인하는 방식이 있습니다. 하지만 과제와 라벨이 없는 데이터에는 같은 평가를 적용하기 어렵습니다. 합성 자료가 한 분류기에서 도움이 됐다고 해서 다른 분석에도 유용하다고 말할 수는 없습니다.

의료 웨어러블 시계열 증강을 비교한 연구는 random transformation, pattern mixing, generative model의 세 계열과 12개 방법을 비교했습니다. 복잡한 생성모델만이 답은 아니었고, 비교적 단순한 변형이 일관된 향상을 보인 경우도 있었습니다. 증강 방법은 데이터와 과제에 맞춰 비교해야 합니다.

여러 센서를 함께 만들면 평가가 더 어려워진다

웨어러블 센서 합성에 관한 프리프린트는 여러 신호 사이의 일관성, 긴 시간 의존성, 조건부 생성을 주요 과제로 제시합니다. 각 파형을 따로 보면 자연스러워도 같은 시점의 심박, 움직임, 피부전도 변화가 서로 어긋날 수 있습니다.

이 자료는 동료평가를 마친 확정적 기준이 아닙니다. 다중 센서 합성에서 단일 파형의 모양 외에 무엇을 시험해야 하는지 보여 주는 기술적 문제 제기로 사용해야 합니다.

종단 데이터의 네 가지 어려움

합성 종단 환자 데이터에 관한 체계적 문헌고찰은 시간 구조, 서로 다른 변수 유형, 결측, 불균형을 핵심 과제로 정리했습니다. 검토된 39개 방법 가운데 네 문제를 모두 다룬 방법은 4개였습니다. 닮음, 효용, 개인정보를 함께 평가한 연구도 소수였습니다.

긴 시간 동안 반복 측정한 자료에서는 같은 사람 안의 상관과 방문 간격이 중요합니다. 행을 무작위로 섞어 만든 표는 개별 값의 분포를 닮아도 종단 구조를 보존하지 못할 수 있습니다.

개인정보 평가는 별도 축이다

합성 자료가 실제 데이터와 너무 비슷하면 원자료의 특정 사례를 외우거나 드러낼 위험이 있습니다. 반대로 개인정보 보호를 강화하다가 자료의 구조가 크게 달라지면 연구용 효용이 줄어들 수 있습니다. 개인정보와 유용성은 서로 다른 지표로 기록해야 합니다.

Data Cards는 데이터의 출처, 생성과 수집 방법, 의도된 사용, 평가 방식과 중요한 결정을 구조화해 문서화하도록 제안합니다. 합성 시계열에도 생성 버전, 난수 시드, 입력 범위, 결측 규칙, 평가 지표와 알려진 한계를 남기면 다른 사람이 결과를 다시 비교하기 쉬워집니다.

좋은 합성 데이터의 답은 하나가 아니다

개발 초기에는 데이터 처리 코드가 끊긴 구간을 견디는지 확인하는 합성 자료가 유용할 수 있습니다. 모델 연구에서는 다양한 조건과 실제 과제 성능이 더 중요할 수 있습니다. 공개 예제라면 누구나 같은 결과를 재현할 수 있는지도 중요한 기준입니다.

합성 시계열의 품질은 목적에 따라 달라집니다. 충실도, 다양성, 유용성, 개인정보 가운데 하나를 전체 품질 점수로 바꾸지 않고 각 결과와 한계를 따로 보여 주는 편이 정확합니다.

이 글은 합성 시계열 평가 기준을 설명합니다. 합성 신호를 실제 사람의 생리 상태나 임상적 결과로 해석하지 않습니다.

출처

• TSGBench: Time Series Generation Benchmark
• Time series data augmentation in medical wearable computing
• Synthetic longitudinal patient data: systematic review
• Challenges in synthesizing wearable sensor data
• Data Cards for responsible dataset documentation