진화 기반 시계열 셰이플릿 자동 발견

시계열 데이터는 센서, 의료 기록, 금융 시계열 등 다양한 분야에서 핵심적인 역할을 차지한다. 이러한 데이터의 분류 문제에서, 전체 시계열을 그대로 입력으로 사용하는 방법은 차원과 복잡도가 높아 효율적인 학습을 방해한다. 이에 대한 해결책으로 제안된 것이 ‘셰이플릿(Shapelet)’이다. 셰이플릿은 특정 클래스와 높은 상관관계를 보이는 짧은 서브시퀀스로, 입력 시계열과 각 셰이플릿 간의 최소 거리 값을 특징으로 사용하면 차원 축소와 동시에 높은 판별력을 확보할 수 있다. 또한, 셰이플릿 자체가 원본 시계열의 일부분이므로 시각화와 해석이 용이해 의료·보건 등 중요한 의사결정 영역에서 큰 장점을 제공한다. 하지만 기존 셰이플릿 탐색 방법은 크게 두 가지 문제에 직면한다. 첫째, 탐색 비용이다. 초기 Y. Keogh와 Ye(2009)의 브루트포스 방식은 O(N²M⁴)이라는 비현실적인 복잡도를 가지며, 이후 Mueen et al.(2011)의 캐시·프루닝 기법이 O(N²M³)으로 개선했지만 여전히 메모리와 시간 측면에서 제한적이었다. 둘째, 탐색 대상의 제약이다. 대부분의 방법은 입력 시계열에서 직접 서브시퀀스를 추출해야 하며, 셰이플릿의 개수와 길이를 사전에 지정해야 한다. 이는 하이퍼파라미터 튜닝 비용을 증가시키고, 다중 클래스 문제에서 충분한 판별력을 확보하기 어렵게 만든다. 본 논문은 이러한 한계를 극복하고자 ‘GENDIS: GENetic DIscovery of Shapelets’라는 새로운 프레임워크를 제안한다. GENDIS는 진화 알고리즘(Genetic Algorithm, GA)을 기반으로 셰이플릿 집합 자체를 탐색한다. 핵심 아이디어는 (1) 셰이플릿의 개수 K와 각 셰이플릿의 길이를 진화 과정에서 동시에 최적화하고, (2) 셰이플릿이 반드시 원본 시계열의 서브시퀀스일 필요 없이 임의의 시계열 형태를 가질 수 있게 함으로써 탐색 공간을 크게 확장한다는 점이다. 구현 세부사항은 다음과 같다. 1) **초기화**: 개체군 크기 P만큼의 후보 셰이플릿 집합을 생성한다. 각 개체는 K∈