강인한 시계열 검색을 위한 확률적 적응형 구간 정렬

본 논문은 시계열 데이터의 비교·검색 문제에서 기존의 샘플‑대‑샘플 정렬 방식이 갖는 한계를 체계적으로 분석하고, 이를 보완하기 위한 구간‑단위 정렬 프레임워크를 제안한다. 서론에서는 시계열 분석이 주식, 의료 신호, 움직임 궤적 등 다양한 분야에서 핵심 역할을 수행하고 있음을 언급하면서, DTW·편집거리 기반 방법들이 잡음에 민감하고 비인과적(시간 순서가 뒤바뀐) 변형을 처리하지 못한다는 점을 지적한다. 특히, 잡음이 심한 환경에서는 편집거리 기반 방법이 DTW보다 우수하지만, 사전 잡음 제거가 필요하고 이는 도메인‑특화된 전처리 과정을 요구한다는 문제점도 제시한다. 이러한 배경 하에 저자들은 “구간 매칭”이라는 새로운 관점을 도입한다. 구간은 연속된 샘플들의 집합으로, 각각을 하나의 단위로 취급함으로써 개별 샘플의 변동성을 평균화하고, 비인과적 변형에 대해 순서를 무시할 수 있다. 이를 위해 먼저 구간 간 거리 메트릭을 정의한다. 두 집합 X, Y 에 대해 모든 쌍 (x_i, y_j) 의 n‑노름 거리 ‖x_i‑y_j‖_n 을 평균화한 d(X,Y)를 기본 형태로 삼고, 정의성을 보장하기 위해 X∪Y 로 정규화한 D(X,Y) 를 도입한다. 수식 (1)·(2) 로 제시된 이 메트릭은 대칭성, 비음성, 삼각 부등식, 정의성 등 메트릭 공리를 만족함을 증명한다. 특히, X와 Y가 겹치지 않을 때는 단순 평균 거리와 동일하므로 기존 방법과의 비교가 용이하고, 겹치는 경우에도 거리 0이 되지 않도록 설계돼 과도한 구간 축소를 방지한다. 다음으로 이 메트릭을 확률적 정렬 모델에 통합한다. 기존 Pair‑HMM은 두 시계열 X, Y 를 동시에 관측하는 3‑상태(M, I, D) 마코프 모델로, 각 상태는 샘플 쌍 혹은 갭을 발행한다. 저자들은 이를 “Segmental Pair‑HMM”(SPHMM) 으로 확장해, 각 상태가 구간 전체를 발행하도록 변경한다. 구간 S = (b,…,e) 로 정의하고, 전체 시계열을 비중첩·완전 구간 집합 S(X) 로 분할한다. 정렬 Q = {(i_t, j_t)} 은 구간 인덱스 쌍의 연속으로, i_t, j_t 가 각각 이전 인덱스와 동일하거나 +1 인 제약을 두어 구간 수준의 monotonicity 를 보장한다. 관측 확률은 다음과 같이 정의된다. 매치 상태에서는 exp(−D(X_i, Y_j))·Ψ(|X_i|,|Y_j|) 로, 여기서 Ψ는 구간 길이의 사전 분포(예: 균등) 혹은 데이터에서 학습된 분포이다. 삽입·삭제 상태는 각각 exp(−σ_g·|segment|) 로, 구간 길이에 비례하는 패널티를 부여해 과도한 삽입·삭제를 억제한다. 전이 확률은 전통적인 affine gap penalty(δ, τ) 를 유지하면서, 구간 인덱스 변화에 따라 δ(매치→매치), τ(삽입·삭제 전이) 등을 적용한다. 최적 정렬은 Viterbi 알고리즘을 이용해 구간 분할 S 가 고정된 경우 Q* = argmax_Q P(Q|X,Y,S,λ) 로 구한다. 그러나 실제로는 구간 분할 자체도 최적화해야 하므로, 저자들은 “완화 모델”을 제안한다. 이 모델은 구간 길이에 상한 L_max 를 두고, 거리 계산을 누적 합 형태로 전처리해 O(N·M·L_max) 를 O(N·M) 로 감소시킨다. 또한, 사전 정의된 Sakoe‑Chiba 밴드와 같은 경로 제약을 적용해 탐색 공간을 제한한다. 실험에서는 세 가지 주요 도메인에서 성능을 검증한다. 첫째, UCR 타임시리즈 벤치마크(예: ECG200, Coffee) 에서는 잡음 레벨을 조절해 DTW, LCSS, ERP, EDR 등과 비교했으며, 평균 5%~12% 높은 정확도를 기록했다. 둘째, 비인과적 EEG 데이터(뇌파 신호)에서는 시간 지연이 무작위로 삽입된 상황에서도 기존 방법은 성능이 급격히 저하되지만, SPHMM 은 0.73 이상의 F1 점수를 유지했다. 셋째, 인간 동작 모션 캡처 데이터에서는 동작을 여러 서브액션으로 분할해 구간 매칭을 수행함으로써, 동작 방향이 반대인 경우에도 높은 유사도를 측정했다. 특히, 구간 길이가 자동으로 데이터에 맞춰 조정되므로 사전 정의된 윈도우 크기에 의존하지 않는다. 논문의 기여는 크게 세 가지로 요약된다. (1) 평균 쌍별 거리 기반의 구간 거리 메트릭을 수학적으로 정당화하고, 정의성을 보장함으로써 기존 비메트릭 기반 방법의 한계를 극복했다. (2) 이 메트릭을 Pair‑HMM에 자연스럽게 통합해 구간‑단위 정렬 모델(SPHMM)을 설계했으며, 삽입·삭제에 대한 길이 기반 패널티를 도입해 과적합을 방지했다. (3) 계산 효율성을 위한 완화 모델과 경로 제약을 도입해 대규모 시계열에서도 실시간 적용이 가능하도록 했다. 결론에서는 현재 모델이 아직 오프라인 정렬에 초점을 맞추고 있어, 온라인 스트리밍 환경에서의 적응형 구간 업데이트, 다중 모달리티 정렬, 그리고 메트릭을 커널 형태로 확장해 SVM·GP 등 다른 학습 프레임워크와 결합하는 미래 연구 방향을 제시한다.