합성 관계형 데이터베이스(relational databases)의 생성은 트랜잭션 로그(transaction logs)나 이벤트 시퀀스(event sequences)와 같이 복잡한 시간적 역학(temporal dynamics)을 모델링하는 과정을 수반하는 경우가 많습니다. 이 분야의 중요한 과제는 범주형 시계열(categorical time series, 예: 상태 코드)을 처리하는 것인데, 원-핫 인코딩(one-hot encoding)과 같은 표준 인코딩 방식은 계절성(seasonality) 및 주기성(cyclicity)과 같은 고유한 주파수 영역 특징(frequency-domain features)을 포착하는 데 실패합니다. 본 논문에서는 RC-TGAN 프레임워크의 시간적 확장판이자, 스펙트럼 포락선 이론(Spectral Envelope Theory)에 기반한 새로운 통합 손실 함수를 갖춘 Sequential RC-TGAN (Seq. RC-TGAN)을 소개합니다. 이 미분 가능한 손실 함수를 통해 생성기(generator)는 역전파(backpropagation)를 통해 잠재적인 주기적 구조의 보존을 직접 최적화할 수 있습니다. 스펙트럼 포락선 이론은 본질적으로 범주형 시퀀스(categorical sequences)를 위해 설계되었지만, 우리는 변분 가우시안 혼합 모델(Variational Gaussian Mixture Model, VGM) 이산화 전략을 채택하여 이 주파수 영역 정규화(frequency-domain regularization)를 연속형 시계열(continuous time series)로 확장합니다. 수학적으로 엄격한 평가 표준을 수립하기 위해, 우리는 정확한 이론적 스펙트럼 포락선이 알려진 파라미터 $α$에 의해 제어되는 범주형 시계열을 시뮬레이션합니다. 이러한 동적 시퀀스를 관계형 데이터베이스의 자식 테이블(child tables)에 통합함으로써, 우리의 생성 프레임워크의 주파수 영역 충실도(frequency-domain fidelity)를 평가하기 위한 강력한 그라운드 트루스(ground-truth) 벤치마크를 생성합니다. 또한, 우리는 스펙트럼 밀도 발산(Spectral Density Divergence)과 스펙트럼 포락선 발산(Spectral Envelope Divergence)이라는 두 가지 새로운 지표를 제안함으로써 관계형 시계열에 대한 강력한 평가 표준의 부재 문제를 해결합니다. 실제 데이터셋과 시뮬레이션된 벤치마크에 대한 실험 결과는 우리의 엔드-투-엔드(end-to-end) 접근 방식이 범주형 및 연속형 특징 모두에서 주기적 패턴과 장기 계절성을 재현하는 데 있어 최신 기술(state-of-the-art) 시스템보다 크게 우수함을 입증합니다.