실시간 시계열 그래프 임베딩을 위한 비동기 전파 주의 네트워크

초록

**
APAN은 그래프 질의와 모델 추론을 분리하여, k‑hop 이웃 탐색에 소요되는 비용을 비동기화된 “우편함” 메커니즘으로 전환한다. 이를 통해 밀리초 수준의 실시간 추론을 달성하면서도 기존 CTDG 모델과 동등한 정확도를 유지한다.

**

상세 분석

**
본 논문은 연속시간 동적 그래프(CTDG)에서 발생하는 고비용 이웃 탐색 문제를 근본적으로 재구성한다. 기존 TGA‑T, TGN 등은 이벤트가 들어올 때마다 k‑hop 이웃을 실시간으로 조회하고, 그 정보를 집계해 노드 임베딩을 업데이트한다. 이 과정은 그래프 데이터베이스에 대한 대규모 쿼리를 동반해 레이턴시가 급증하고, 특히 금융 사기 탐지와 같이 밀리초 이하의 응답이 요구되는 서비스에 부적합하다.

APAN은 두 개의 독립된 흐름, 즉 동기 추론 링크와 비동기 전파 링크를 도입한다. 이벤트가 발생하면 해당 이벤트의 상세 정보를 “메일” 형태로 주변 k‑hop 노드들의 “우편함”에 저장한다. 이때 전파는 비동기적으로 진행되며, 그래프 질의 연산은 백그라운드에서 배치 처리된다. 추론 단계에서는 현재 이벤트와 직접 연결된 노드들의 우편함만 읽어 즉시 임베딩을 생성한다. 따라서 추론 시점에 복잡한 이웃 탐색이 전혀 필요 없으며, 그래프 질의와 모델 연산이 완전히 분리된다.

핵심 기술적 기여는 다음과 같다.

1. 우편함 기반 비동기 전파 메커니즘: 이벤트 정보를 구조화된 메시지로 변환해 k‑hop 이웃에게 전달함으로써, 전통적인 메시지 패싱을 그래프 질의 단계와 분리한다.
2. 전파‑주의(attention) 결합: 각 메일에 시간 임베딩과 노드 특성을 결합하고, 수신 노드에서는 가중치 기반 주의 메커니즘을 적용해 중요한 정보만 선택적으로 반영한다. 이는 전파 과정에서 노이즈를 억제하고, 모델의 표현력을 유지한다.
3. 배치 크기 민감도 감소: 비동기 전파는 이벤트가 들어오는 순서와 무관하게 우편함에 누적되므로, 배치 크기가 커져도 추론 지연이 크게 늘어나지 않는다. 실험에서는 배치 크기가 1부터 1024까지 변해도 8배 이하의 속도 저하에 그쳤다.
4. 해석 가능성: 우편함에 저장된 메일은 언제, 어떤 이벤트가 어떤 노드에 영향을 미쳤는지를 명시적으로 보관한다. 이를 분석하면 특정 사기 패턴이나 급격한 거래 변동을 시각화할 수 있다.

실험에서는 두 개의 공개 CTDG 데이터셋(Reddit, Wikipedia)과 알리페이 실시간 결제 로그를 사용했다. APAN은 최신 CTDG 모델들(TGA‑T, TGN, JODIE 등)과 비교해 AUC/ACC 등 정확도 지표에서 1~2% 차이 내의 경쟁력을 보였으며, 평균 추론 속도는 8.7배 가속화되었다. 특히 알리페이 환경에서는 3ms 이하의 응답 시간을 달성해 사기 탐지 시스템에 실시간 적용이 가능함을 증명했다.

한계점으로는 우편함 메모리 관리가 필요하고, 장기간 누적된 메일이 메모리 압박을 일으킬 수 있다는 점이다. 논문에서는 시간 기반 TTL(time‑to‑live)과 샘플링 전략을 제안했지만, 대규모 서비스에서의 최적 파라미터 설정은 추가 연구가 요구된다. 또한, 현재 구현은 단일 머신 기반이며, 분산 환경에서의 우편함 동기화와 일관성 보장은 별도 설계가 필요하다.

종합적으로 APAN은 그래프 질의와 모델 추론을 비동기화함으로써 실시간 동적 그래프 임베딩의 병목을 해소하고, 금융 사기 탐지와 같은 초저지연 요구사항을 만족시키는 새로운 패러다임을 제시한다.

**