동적 시공간 신호를 위한 그래프 변동 신경망

초록

GVNN은 순간적인 연결 텐서를 안정적인 장기 지원 그래프와 결합해 시공간 데이터를 직접 컨볼루션하는 새로운 레이어를 제안한다. 순간적인 통계적 상호작용을 슬라이딩 윈도우 없이 고해상도로 포착하며, 시퀀스 길이에 선형 복잡도를 유지한다. 다양한 예측 벤치마크와 EEG 모터 이미징 실험에서 기존 그래프 기반 모델을 능가하거나 LSTM·Transformer 수준의 성능을 보인다.

상세 분석

본 논문은 그래프 신호 처리(GSP)와 그래프 변동 신호 분석(GVSA)을 융합해, 시계열 데이터의 순간적 상관관계를 그래프 형태로 실시간 생성하고 이를 그래프 신경망(GNN) 연산에 직접 투입하는 프레임워크인 Graph‑Variate Neural Networks(GVNN)를 설계한다. 핵심 아이디어는 두 단계의 그래프를 활용하는데, 첫 번째는 전체 시계열에 대한 장기적인 상관관계를 나타내는 안정적인 지원 행렬 W이며, 두 번째는 각 시점 t 에서 입력 벡터 x(t) 에 기반해 정의된 순간적인 연결 행렬 J(t) 이다. 순간 연결은 사용자가 정의한 쌍대 함수 F_V(·,·) (예: 제곱 차, 상관계수 등)와 W 의 원소별 Hadamard 곱을 통해 Ω(t)=W⊙J(t) 로 구성된다.

GVNN 레이어는 Ω(t) 와 입력 x(t) 의 행렬 곱 Z(t)=Ω(t)x(t) 를 수행하고, 이를 스칼라 가중치 a_t, b_t 와 결합해 Y(t)=σ