도시 간 부동산 감정을 위한 메타전이 학습 기반 시계열 그래프 네트워크

초록

본 논문은 데이터가 풍부한 대도시들의 부동산 거래 정보를 메타전이 학습과 시계열 그래프 신경망을 결합해 활용함으로써, 거래 데이터가 부족한 소도시에서도 정확한 부동산 감정 모델을 구축하는 방법을 제안한다. 거래 이벤트를 이질적 시계열 그래프로 표현하고, 이벤트 트리거형 그래프 네트워크와 하이퍼네트워크 기반 다중 작업 학습 모듈을 도입한다. 또한, 소스 도시 인스턴스의 가중치를 동적으로 조정하는 3단계 최적화 메타‑러닝 프레임워크를 설계해 부정적 전이 효과를 최소화한다. 실험 결과, 6개 실제 데이터셋에서 11개 베이스라인을 크게 앞선 성능을 보이며 제안 방법의 효율성을 입증한다.

상세 분석

MetaTransfer는 세 가지 핵심 기술적 혁신을 통합한다. 첫째, 부동산 거래와 해당 커뮤니티를 시간 축에 따라 발생하는 이벤트로 모델링하여, 이질적 노드(부동산, 커뮤니티)와 두 종류의 엣지(e‑c, c‑c)를 포함하는 ‘시간 이벤트 이질 그래프’를 구축한다. 이 그래프는 거래가 비정규적인 시간·공간 패턴을 보이는 현실을 그대로 반영한다. 둘째, 제안된 Event‑Triggered Temporal Graph Network(ET‑TGN)는 (1) 시간 인식 임베딩 진화 모듈을 통해 새로운 거래 이벤트가 발생할 때마다 노드 임베딩을 순차적으로 업데이트하고, (2) 차원‑주의 그래프 컨볼루션을 적용해 인접 커뮤니티로부터 최신 시장 정보를 집계한다. 이렇게 함으로써 시계열적 상관관계와 공간적 인접성을 동시에 포착한다. 셋째, 각 커뮤니티를 개별 작업으로 보는 다중 작업 설정에서, 하이퍼네트워크 기반 Multi‑Task Learning 모듈이 공유 파라미터와 커뮤니티‑특화 파라미터를 동시 생성한다. 하이퍼네트워크는 입력으로 커뮤니티 메타 정보를 받아 해당 작업에 맞는 가중치를 출력하므로, 데이터가 희소한 커뮤니티라도 적절한 파라미터를 신속히 얻을 수 있다.

전이 학습 측면에서는, 소스 도시들의 데이터가 서로 다른 분포와 품질을 가질 수 있음을 인식하고, 인스턴스‑레벨 가중치를 자동으로 학습하는 Tri‑Level Optimization 기반 메타‑러닝 프레임워크를 도입한다. 구체적으로, (1) 내부 루프에서는 각 소스 도시의 지원 집합과 질의 집합을 이용해 MT‑TGN을 학습하고, (2) 외부 루프에서는 Weight‑Generating Network(WGN)가 생성한 가중치를 이용해 소스 인스턴스의 그래디언트를 재가중치함으로써 부정적 전이를 억제한다. 마지막으로, 하이퍼 루프에서는 목표 도시의 제한된 데이터에 대한 손실을 최소화하도록 WGN을 업데이트한다. 이 3단계 최적화는 소스‑타깃 간 지식 전달 효율을 극대화하면서도, 학습 초기에 유용했던 소스 인스턴스가 후기에 오히려 방해가 되는 상황을 자동으로 조정한다.

실험에서는 293개 중국 도시 중 거래 기록이 풍부한 5개 메트로폴리스를 소스, 거래량이 1,000건 이하인 1개 도시를 타깃으로 설정했다. 총 6개의 데이터셋(도시별)에서 MAE, RMSE, MAPE 등 3가지 평가 지표를 사용했으며, XGBoost, LightGBM, GraphSAGE, Temporal GNN 등 11개의 최신 베이스라인과 비교했다. MetaTransfer는 평균 MAE에서 12%~18% 개선을 보였고, 특히 데이터가 극히 제한된 타깃 도시에서 기존 모델 대비 25% 이상의 성능 향상을 달성했다. Ablation study에서는 (a) ET‑TGN 없이 단순 GCN, (b) 하이퍼네트워크 없이 공유 파라미터만 사용, (c) 메타‑러닝 없이 직접 fine‑tuning을 적용한 경우 각각 성능이 크게 저하되는 것을 확인했다. 이는 제안된 세 모듈이 상호 보완적으로 작동함을 증명한다.

한계점으로는 (1) 그래프 구축 시 커뮤니티 간 거리 임계값 ε를 고정값으로 설정했는데, 도시마다 최적값이 다를 수 있어 자동 튜닝이 필요하다, (2) 메타‑러닝 단계에서 샘플링되는 소스 도시 수가 제한적이어서 대규모 다소스 환경에서의 확장성 검증이 부족하다, (3) 부동산 가격에 영향을 미치는 정책·경제 변수와 같은 외부 요인을 그래프에 직접 포함하지 않아 향후 연구에서 멀티모달 통합이 요구된다. 전반적으로 MetaTransfer는 데이터가 부족한 지역에서도 고성능 부동산 감정을 가능하게 하는 실용적이고 이론적으로도 견고한 프레임워크라 할 수 있다.