WSN 시공간 상관관계 이상 탐지를 위한 그래프 프롬프트 파인튜닝 기법

초록

본 논문은 무선 센서 네트워크(WSN)에서 다중 노드·다중 모달 시계열 데이터의 시공간 상관관계를 효과적으로 추출하고, 라벨이 부족한 상황에서도 높은 이상 탐지 성능을 달성하기 위한 그래프 신경망 기반 백본과 “사전학습‑그래프 프롬프트‑미세조정” 셀프‑슈퍼바이즈드 학습 프레임워크를 제안한다. Mamba 모델을 다중 스케일 dilated convolution과 인터‑모달 교차‑어텐션으로 강화하고, 변분 그래프 컨볼루션(VGCN)으로 공간 관계를 모델링한다. 세 가지 프리텍스트 과제(대조 학습, 미래 예측, 재구성)를 통해 일반화된 특징을 학습한 뒤, 그래프 프롬프트를 이용해 소량의 라벨 데이터에 빠르게 파인튜닝한다. 공개 데이터와 현장 수집 데이터에서 각각 F1 = 91.30 %·92.31 %를 기록하며 기존 방법들을 능가한다.

상세 분석

본 연구는 WSN 환경에서 발생하는 시공간 상관관계 이상을 탐지하기 위해 세 가지 핵심 기술을 결합한다. 첫째, 백본 네트워크는 최신 상태공간 모델인 Mamba를 기반으로 하면서 다중 스케일 dilated convolution을 도입해 지역적 주기 패턴을 포착하고, 긴 시계열 의존성을 효과적으로 학습한다. 여기서 인터‑모달 교차‑어텐션 모듈은 동일 노드 내 서로 다른 센서(예: 온도·습도) 간의 상관관계를 동적으로 가중치화하여 특징을 융합한다. 둘째, 변분 그래프 컨볼루션(VGCN) 모듈은 그래프 구조를 통해 다중 노드 간의 공간적 상관관계를 모델링한다. VGCN은 확률적 노드 임베딩을 학습함으로써 노드 간 관계의 불확실성을 반영하고, 그래프 레벨에서의 전역 정보를 보강한다. 셋째, 라벨 부족 문제를 해결하기 위한 셀프‑슈퍼바이즈드 사전학습 단계에서는 ‘대조 학습(노이즈‑포지티브 대비)’, ‘미래 예측(다음 시점 재구성)’, ‘재구성(입력 복원)’이라는 세 가지 프리텍스트 과제를 동시에 수행한다. 이 멀티‑태스크 설계는 서로 보완적인 손실을 제공해 일반화 가능한 특징을 학습하도록 유도한다. 사전학습된 모델에 그래프 프롬프트를 삽입함으로써, 소량의 라벨 데이터만으로도 빠른 파인튜닝이 가능해진다. 프롬프트는 그래프 구조와 노드 특성을 조건화하는 파라미터 집합으로, 모델이 특정 이상 탐지 목표에 맞춰 내부 표현을 재조정하도록 돕는다. 실험 결과, 제안 방법은 기존 GNN‑기반, Transformer‑기반, 그리고 전통적인 통계·머신러닝 기반 방법들에 비해 F1 점수에서 평균 4~7%p 상승을 보였으며, 특히 라벨이 5% 이하로 제한된 소규모 학습 환경에서도 성능 저하가 미미했다. 이러한 성과는 시공간 상관관계를 동시에 고려하고, 프롬프트 기반 파인튜닝을 통해 라벨 효율성을 극대화한 점이 주요 원인으로 평가된다. 다만, 그래프 프롬프트 설계가 도메인 지식에 의존한다는 점과, Mamba 모델의 메모리 요구량이 높은 점은 향후 경량화 및 자동 프롬프트 탐색 기법이 필요함을 시사한다.