SDFlow: 유사성 기반 흐름 매칭을 통한 시계열 생성

SDFlow: Similarity-Driven Flow Matching for Time Series Generation

벡터 양자화(VQ)와 자기회귀(AR) 토큰 모델링은 시계열 생성 분야에서 널리 사용되는 효과적인 방법입니다. 그러나 이러한 모델은 근본적으로 노출 편향(exposure bias)이라는 한계점을 가지고 있습니다. 추론 과정에서 발생하는 오류가 연속적인 예측 단계에서 누적되어 장기적인 생성 결과의 품질 저하를 초래할 수 있습니다. 이러한 문제를 해결하기 위해, 본 연구에서는 유사성 기반 흐름 매칭(SDFlow: Similarity-Driven Flow Matching)이라는 비자기회귀 프레임워크를 제안합니다. SDFlow는 고정된 VQ 잠재 공간 내에서 작동하며, 흐름 매칭을 통해 병렬적인 시퀀스 생성을 가능하게 합니다. 본 연구에서는 이 전환 과정에서 발생하는 세 가지 주요 과제를 해결합니다. (1) 단계별 토큰 예측 대신 전역적인 변환 맵을 사용하여 노출 편향을 제거합니다. (2) 저차원 다양체 분해를 통해 VQ 토큰 공간의 높은 차원성을 완화하고, 학습된 앵커 사전 지식을 활용하여 잠재 다양체를 모델링합니다. (3) 변분 흐름 매칭 프레임워크 내에서 범주형 사후 분포를 도입하여 연속적인 변환 역학에 이산적인 감독 신호를 통합합니다. 광범위한 실험 결과, SDFlow는 최첨단 성능을 달성하며, 특히 어려운 장기 시퀀스 생성에서 Discriminative Score를 향상시키고 Context-FID를 크게 감소시킵니다. 또한, SDFlow는 자기회귀 기반 모델에 비해 상당한 추론 속도 향상을 제공하며, 높은 충실도와 계산 효율성을 동시에 제공합니다. 관련 코드는 다음 링크에서 확인할 수 있습니다: https://anonymous.4open.science/r/SDFlow-D6F3/

Vector quantization (VQ) with autoregressive (AR) token modeling is a widely adopted and highly competitive paradigm for time-series generation. However, such models are fundamentally limited by exposure bias: during inference, errors can accumulate across sequential predictions, leading to pronounced quality degradation in long-horizon generation. To address this, we propose SDFlow ($\textbf{S}$imilarity-$\textbf{D}$riven $\textbf{Flow}$ Matching), a non-autoregressive framework that operates entirely in the frozen VQ latent space and enables parallel sequence generation via flow matching. We tackle three key challenges in making this transition: (1) eliminating exposure bias by replacing step-wise token prediction with a global transport map; (2) mitigating the high-dimensionality of VQ token spaces via a low-rank manifold decomposition with a learned anchor prior over the latent manifold; and (3) incorporating discrete supervision into continuous transport dynamics by introducing a categorical posterior over codebook indices within a variational flow-matching formulation. Extensive experiments show that SDFlow achieves state-of-the-art performance, improving Discriminative Score and substantially reducing Context-FID, particularly for challenging long-sequence generation. Moreover, SDFlow provides significant inference speedups over autoregressive baselines, offering both high fidelity and computational efficiency. Code is available at https://anonymous.4open.science/r/SDFlow-D6F3/