전 세계 대기질 예측을 위한 유도 의미 토폴로지 학습

초록

**
OmniAir는 물리적 환경 속성을 인코딩한 의미적 정체성을 이용해 전역적인 대기질 관측소를 위한 인덕티브 그래프 토폴로지를 동적으로 생성한다. 이를 통해 지역 간 비유클리드 상관관계와 대기 확산 메커니즘을 포착하고, 7,800개 이상의 관측소를 포함한 WorldAir 데이터셋에서 18개 베이스라인을 크게 능가하면서도 추론 속도가 기존 모델의 10배에 달한다.

**

상세 분석

**
OmniAir는 기존 전이학습 기반 STGNN이 갖는 “노드 임베딩 고정·전이 의존” 문제를 근본적으로 해소한다. 저자들은 관측소의 위도·경도, 고도, 기후대 등 관측 가능한 메타데이터를 Fourier Feature와 MLP를 결합해 연속적인 의미 정체성(e_ID)으로 변환한다. 이 정체성은 관측소가 새로 설치되거나 데이터가 부족한 지역에서도 즉시 활용 가능하도록 설계돼, 제로샷 일반화 능력을 제공한다.

다음으로, 의미 정체성을 기반으로 지리적 이웃(k_geo)과 의미적 이웃(k_sem) 두 종류의 이웃을 혼합한 하이브리드 이웃 집합을 만든다. 지리적 이웃은 Haversine 거리로, 의미적 이웃은 정체성 임베딩 간 L2 거리로 선정한다. 이렇게 구성된 후보 이웃에 대해 현재 시점의 노드 특징을 입력으로 동적 어텐션 가중치(α_ij)를 계산하고, 정적 가우시안 거리 가중치(w_static)와 결합해 최종 가중치(w_dyn)를 얻는다. 가중치 결합에는 sigmoid 게이트(g_ij)가 사용돼, 상황에 따라 정적·동적 비중을 자동 조절한다.

또한, 전 세계 관측소 네트워크는 밀도 불균형이 심하므로 고정 k 대신 각 노드별 효과적 이웃 크기 β_i를 MLP로 예측하고, soft‑mask(m_ij)를 통해 불필요한 연결을 차등적으로 차단한다. 이 차등 프루닝은 학습 과정에서 그래프 구조 자체를 최적화하게 하여, 데이터가 풍부한 지역은 넓은 수용 영역을, 데이터가 희박한 지역은 희소한 연결만 유지하도록 만든다.

그래프가 완성되면, OmniAir는 “Air Aware Differential Propagation”이라는 확산‑발생 이중 메커니즘을 적용한다. 기본 확산 단계는 재시작 확률 λ를 포함한 라플라시안 기반 전파(h^{(l)}_i = Σ_j w̃_ij h^{(l‑1)}_j + λ h^{(0)}_i)로, 지역적 축적과 장거리 전파를 동시에 모델링한다. 각 단계의 상태를 H^{(l)}라 두고, 이를 Query‑Key‑Value 형태로 변환해 단계별 가중치를 tanh‑scaled attention(A_i)으로 학습한다. 양의 계수는 전통적 스무딩을, 음의 계수는 급격한 경계(예: 배출원) 효과를 강조해, 확산과 발산을 동시에 포착한다.

실험에서는 7,800개 관측소와 다중 오염 물질(PM2.5, PM10, CO, NO2, SO2, O3 등)을 포함한 WorldAir 데이터셋을 구축하고, 18개의 최신 베이스라인(전통 GNN, Transformer, 물리‑기반 모델 등)과 비교했다. OmniAir는 MAE·RMSE·MAPE 등 모든 지표에서 평균 12% 이상 개선했으며, 그래프 구축·전파 복합 연산이 O(N·K) 복잡도로 구현돼, N≈8,000인 상황에서도 추론 속도가 기존 최첨단 모델 대비 약 10배 빨랐다. 특히 데이터가 거의 없는 아프리카·중동 지역에서도 의미 정체성 기반 이웃 연결을 통해 예측 정확도가 크게 상승했으며, 이는 제로샷 전이 능력의 실질적 효과를 입증한다.

전반적으로 OmniAir는 (1) 물리‑인포드 의미 정체성으로 인덕티브 학습을 구현, (2) 동적·희소 그래프 생성으로 전역 비유클리드 상관관계와 밀도 이질성을 동시에 해결, (3) 확산‑발생 이중 전파로 대기 확산·배출 메커니즘을 정밀히 모사, (4) 선형 복잡도로 실시간 전 세계 대기질 예측을 가능하게 하는 통합 프레임워크라 할 수 있다.

**