전이 학습을 위한 그래프 프루닝 기반 시공간 예측 프레임워크

초록

TL‑GPSTGN은 교통 흐름과 같은 다변량 시계열을 그래프 구조에 맞춰 예측할 때, 정보 엔트로피와 상관관계를 결합한 프루닝 기법으로 불필요한 노드와 엣지를 제거한다. 이렇게 정제된 서브그래프를 STGCN에 입력해 소량의 목표 데이터만으로도 높은 전이 성능과 일반화 능력을 달성한다.

상세 분석

본 논문은 그래프 기반 시공간 예측 모델이 데이터가 부족하거나 도메인 간 차이가 클 때 성능이 급격히 저하되는 문제를 ‘그래프 컨텍스트의 품질’에 기인한다는 가설을 제시한다. 기존 전이 학습 기법은 파라미터 공유·도메인 적응 등에 초점을 맞췄지만, 입력 그래프 자체의 노이즈와 불필요한 연결을 그대로 전달한다는 한계를 가지고 있다. 이를 해결하기 위해 저자들은 두 단계의 정량적 기준을 도입한다. 첫 번째는 각 센서 노드의 트래픽 변동성을 Shannon 엔트로피로 측정해 ‘정보량이 풍부한’ 노드를 식별한다. 두 번째는 시간 축에서의 피어슨 상관계수를 이용해 노드 쌍 간의 동시 변동성을 평가한다. 이 두 값을 결합한 스코어 sᵢⱼ = Aᵢⱼ·rᵢⱼ·(Hᵢ+Hⱼ)/2 은 고정보도와 높은 변동성을 동시에 만족하는 엣지를 우선시한다. 스코어가 임계값 τ 이하인 엣지는 차단하고, 남은 엣지들의 연결 정도가 낮은 ‘외곽 노드’를 반복적으로 제거한다. 이렇게 얻어진 서브그래프는 노이즈가 적고, 내부 동역학을 잘 반영한다는 점에서 전이 학습에 유리한 inductive bias를 제공한다.

프루닝 후에는 각 노드 시계열을 z‑score 정규화하고, 이를 기존 STGCN(Temporal‑Convolution‑Graph‑Convolution) 구조에 투입한다. STGCN은 시간‑공간 윈도우를 1‑D 컨볼루션으로 처리하고, 그래프 컨볼루션 레이어에서 프루닝된 인접 행렬을 사용해 이웃 정보를 집계한다. 학습은 두 단계로 진행된다. ① 데이터가 풍부한 소스 도시에서 전체 파이프라인을 사전 학습해 일반화 가능한 시공간 필터를 획득하고, ② 목표 도시에 동일한 프루닝 프로세스를 적용한 뒤, 사전 학습된 파라미터를 초기값으로 소량의 라벨만으로 미세 조정한다.

실험은 METR‑LA, PEMS‑BAY, PEMSD7 등 대규모 교통 데이터셋을 활용했으며, 15분·30분 예측 horizon을 대상으로 MAE, RMSE, MAPE를 측정했다. 단일 도메인 평가에서는 TL‑GPSTGN이 기존 STGCN과 비슷하거나 약간 뒤처지는 경우도 있었지만, 전이 실험에서 목표 데이터 비율이 5%~20% 수준일 때 일관되게 우수한 성능을 보였다. 특히 경계 노드가 많은 목표 도시에서 프루닝된 서브그래프가 원본 그래프 대비 잡음을 크게 감소시켜, 급격한 교통 변동을 더 정확히 포착했다는 정성적 시각화 결과가 이를 뒷받침한다.

한계점으로는 프루닝 임계값 τ와 최소 차수 d_min을 하이퍼파라미터로 설정해야 하며, 이 값이 도메인마다 다르게 최적화될 가능성이 있다. 또한 엔트로피 계산을 위해 시계열을 이산화하는 과정에서 정보 손실이 발생할 수 있다. 향후 연구에서는 자동화된 메타‑학습 기반 파라미터 튜닝과, 연속적인 그래프 구조 학습을 결합해 프루닝 과정을 미분 가능하게 만드는 방향이 제시된다.

요약하면, TL‑GPSTGN은 ‘구조‑인식 컨텍스트 선택’이라는 새로운 전이 학습 패러다임을 제시함으로써, 그래프 기반 시공간 모델이 데이터 부족 상황에서도 안정적인 일반화와 샘플 효율성을 달성하도록 돕는다.