그래프 기반 정밀 시계열 분할

초록

본 논문은 가중 이중 시야 그래프(WDPVG)와 그래프 어텐션 네트워크(GAT)를 결합해 시계열을 그래프로 변환하고, 각 노드를 분류함으로써 기존 슬라이딩 윈도우 기반 방법보다 훨씬 세밀한 구간을 자동으로 탐지한다. 59개의 벤치마크 데이터셋에서 평균 F1 점수 0.97을 달성했으며, 기존 seq2point 모델보다 0.05 높은 성능과 적은 학습 데이터 요구량을 보였다.

상세 분석

이 연구는 시계열 분할(TSS)을 “노드 레벨 분류” 문제로 재정의함으로써 그래프 신경망(GNN)의 강점을 활용한다는 점에서 혁신적이다. 기존 딥러닝 기반 TSS는 고정된 윈도우와 스트라이드에 의존해 세밀한 변화를 포착하기 어려웠지만, 본 논문은 각 시점 → 노드, 시점 간 관계 → 에지 형태의 그래프를 구성한다. 특히 가중 이중 시야 그래프(WDPVG)는 두 가지 핵심 아이디어를 결합한다. 첫째, 전통적인 가시성 그래프(NVG)의 시야 조건에 가중치를 부여해 시간 간격, 유클리드 거리, 기울기 등을 반영함으로써 비균등 샘플링과 음수값을 처리한다. 둘째, 원본 시계열을 수직으로 뒤집은 반사 시야 그래프(RPNVG)를 병합해 피크와 트로프 모두를 포착한다. 이렇게 얻어진 가중치 행렬은 그래프 어텐션 네트워크(GAT)의 입력으로 사용되며, 각 노드가 자신의 이웃으로부터 중요도 기반 가중합을 받아 풍부한 구조적 특징을 학습한다. GAT는 다중 헤드 어텐션을 통해 다양한 스케일의 의존성을 동시에 모델링하고, 레이어를 깊게 쌓아도 과도한 스무딩을 방지한다.

실험에서는 TSSB 저장소의 59개 데이터셋(다양한 도메인, 길이, 변동성을 포함)을 대상으로 7가지 그래프 변환(NVG, HVG, 가중 NVG, 가중 HVG, WDPVG, 전이 네트워크, 근접 네트워크)을 비교하였다. 결과는 WDPVG + GAT 조합이 가장 높은 평균 F1 점수(0.97)를 기록했으며, 특히 변곡점이 빈번한 비정형 시계열에서 뛰어난 구분력을 보였다. 또한 학습 데이터 비율을 10 %까지 축소해도 성능 저하가 미미했는데, 이는 GNN이 그래프 구조 자체에서 강력한 사전 지식을 추출하기 때문이다.

한계점으로는 그래프 생성 단계가 O(N²) 복잡도를 갖는 NVG 기반 방법에 비해 계산 비용이 높을 수 있다는 점이다. 저자들은 이를 완화하기 위해 가중치 임계값을 조정하거나, 샘플링 기반 에지 축소 기법을 도입할 여지를 남겨두었다. 향후 연구에서는 멀티스케일 시계열(다변량) 및 실시간 스트리밍 상황에서의 인크리멘털 그래프 업데이트 방안을 탐색할 필요가 있다.

전반적으로 이 논문은 시계열을 그래프화하고 GNN으로 직접 라벨링하는 새로운 패러다임을 제시함으로써, 슬라이딩 윈도우의 제약을 넘어선 고해상도 분할을 가능하게 한다는 점에서 학술적·실용적 의의가 크다.