요약: 시계열 예측을 위한 diffusion 모델은 조건부 생성 모델의 일종으로, 과거 관측값 및 추가적인 context 정보를 조건으로 하여 미래 시퀀스를 생성하는 방식으로 작동한다. 이러한 diffusion 기반 접근법은 기존 시계열 예측 모델에 비해 몇 가지 중요한 이점을 제공한다. 확률적 예측이 가능해 다양한 미래 시나리오를 샘플링 함으로써 불확실성을 정량화 할 수 있으며, 조건 정보의 통합이 유연해 보조 변수, 제어 변수, 다중모달 입력 등을 손쉽게 결합할 수 있다. 이러한 장점 덕분에 최근 diffusion 모델을 활용한 시계열 예측 연구가 활발히 진행되고 있으며, 특히 조건 정보를 어떻게 활용하고 확장하는지를 중심으로 다양한 방식의 모델들이 제안 되고 있다. 본 세미나에서는 그중에서도 과거 시계열 데이터를 조건으로 활용하면서, feature 중심의 접근법을 통해 조건 정보의 표현력을 강화한 최신 diffusion 기반 시계열 예측 모델들을 중점적으로 소개한다.

[1] Su, C., Cai, Z., Tian, Y., Zheng, Z., & Song, Y. (2025). Diffusion Models for Time Series Forecasting: A Survey. arXiv preprint arXiv:2507.14507.

[2] Shen, L., Chen, W., & Kwok, J. (2024). Multi-resolution diffusion models for time series forecasting. In The Twelfth International Conference on Learning Representations.

[3] Li, Q., Zhang, Z., Yao, L., Li, Z., Zhong, T., & Zhang, Y. (2025). Diffusion-based decoupled deterministic and uncertain framework for probabilistic multivariate time series forecasting. In The Thirteenth International Conference on Learning Representations.