하이브리드 기하학적 그래프 신경망으로 다변량 시계열 정확히 예측하기

초록

본 연구는 다변량 시계열 예측의 정확도를 높이기 위해 유클리드 공간과 리만 공간(SPD 매니폴드)을 동시에 활용하는 혁신적인 하이브리드 그래프 신경망 모델 HSMGNN을 제안합니다. 새로운 임베딩과 퓨전 기법을 도입해 복잡한 시공간 의존성을 포착하고, 계산 비용을 줄여 기존 최고 모델 대비 최대 13.8%의 성능 향상을 달성했습니다.

상세 분석

본 논문이 제안하는 HSMGNN 모델의 기술적 혁신성과 핵심 통찰은 다음과 같습니다.

첫째, 하이브리드 기하학적 표현의 최초 도입입니다. 기존 연구들은 시계열 데이터의 복잡한 구조를 모델링하기 위해 유클리드 공간(선형 관계에 강점) 또는 리만 공간(비선형 매니폴드 구조에 강점) 중 한 가지 공간만을 사용하는 데 그쳤습니다. 이는 데이터가 내재적으로 지닌 다양한 기하학적 특성을 완전히 포착하지 못하는 한계가 있었습니다. HSMGNN은 하나의 데이터를 두 가지 다른 기하학적 관점에서 동시에 해석하는 패러다임을 제시함으로써, 선형적 상관관계와 비선형적 매니폴드 구조를 모두 통합적으로 모델링할 수 있는 길을 열었습니다.

둘째, 세 가지 핵심 모듈의 정교한 설계입니다. 1) SCS 임베딩은 슬라이딩 윈도우 기법으로 시계열을 세그먼트로 나누고, 각 세그먼트 내 데이터 포인트들의 샘플 공분산 행렬을 계산하여 SPD 매니폴드에 투영합니다. 이는 시간적 국소 구간 내 변수들 간의 통계적 상호작용을 기하학적 객체로 변환하는 과정입니다. 2) ADB 레이어는 SPD 매니폴드 상에서의 계산적으로 부담되는 지수/로그 매핑 연산을 대체하기 위한 핵심 장치입니다. 학습 가능한 ‘거리 은행’을 도입하여 복잡한 리만 거리 계산을 근사화함으로써 모델의 실용성을 크게 높였습니다. 3) FGCN은 두 공간에서 추출된 그래프 구조(유클리드 그래프와 SPD 매니폴드 그래프)를 동시에 입력받아, 각 공간의 중요도를 학습하는 가중 퓨전 연산자를 통해 정보를 통합합니다. 이는 단순한 결합(concatenation)이 아닌, 데이터와 작업에 적응적으로 두 표현의 기여도를 조절하는 지능적 메커니즘입니다.

셋째, 계산 효율성과 표현력의 균형이라는 실용적 해결책을 제시했다는 점입니다. 리만 기하학을 활용한 모델들은 표현력이 뛰어나지만 계산 복잡도가 지나치게 높아 실제 대규모 시계열 데이터에 적용하기 어려웠습니다. HSMGNN은 SCS를 통한 국소적 매니폴드 표현과 ADB를 통한 거리 계산 근사화를 통해 이 딜레마를 극복하고, 높은 정확도와 실행 가능한 계산 비용을 동시에 확보했습니다. 이는 이론적으로 우수한 아이디어를 실제 응용 가능한 기술로 발전시킨 중요한 진전입니다.