시공간 그래프(spatio-temporal graph)는 시계열 예측, 분자 동역학, 헬스케어 모니터링과 같은 복잡한 동적 프로세스를 모델링하는 데 널리 사용됩니다. 최근 GDPR 및 CCPA와 같은 엄격한 프라이버시 규제로 인해 기존 시공간 그래프 모델은 승인되지 않은 데이터를 완전히 언러닝(unlearning)해야 하는 중대한 새로운 과제에 직면했습니다. 시공간 그래프의 각 노드(node)는 공간 및 시간 차원 모두에 걸쳐 정보를 전역적으로 확산시키기 때문에, 주로 정적 그래프 및 국소화된 데이터 제거를 위해 설계된 기존 언러닝 기법은 전체 모델(model) 재학습에 맞먹는 비용을 들이지 않고는 단일 노드를 효율적으로 삭제할 수 없습니다. 이를 해결하기 위해, 우리는 뇌량(corpus callosum) 구조에서 생물학적 영감을 얻은 시공간 그래프 언러닝 프레임워크인 CallosumNet을 제안합니다. CallosumNet은 두 가지 핵심적인 기술적 기여를 제공합니다. (1) 생물학적 영감을 받은 가상 엣지를 사용하여 서브그래프를 재구성하고, (2) 경량 메타-그래프 통합 층(layer)을 통해 서브그래프 간의 상호 연결된 시공간 의존성을 복원합니다. 네 가지 다양한 실제 데이터셋(dataset)에 대한 실증적 결과는 CallosumNet이 골드 모델에 매우 근접한 정확도를 유지하면서도 완전한 언러닝을 달성함을 보여줍니다. 코드는 https://github.com/wenlu-lab/STGraphUnlearning 에서 공개적으로 이용할 수 있습니다.
시공간 그래프는 교통 예측, 날씨 예측, 의료 모니터링 등의 응용을 뒷받침한다. GDPR 및 CCPA와 같은 개인정보 규정은 학습된 모델에서 무단 데이터를 완전히 제거할 것을 요구하지만, 시공간 그래프에서 이를 달성하기는 어렵다. 공간적·시간적 메시지 전달(message passing)을 통해 정보가 전역적으로 전파되기 때문에, 노드의 영향을 완전히 지우려면 비용이 큰 전체 그래프 재학습이 불가피하다. ST-graph 언러닝은 정확성과 효율성을 모두 요구한다. 우리는 공간 엔트로피 유도 분할을 사용해 균형 있고 국적으로 일관된 부분 그래프를 만들고, 경량 가상 엣지로 이들을 다시 연결하는 IsleNet을 제안한다. 언러닝 요청이 있으면 영향을 받은 부분 그래프 인코더와 가상 엣지 층만 재학습하여, 낮은 비용으로 정확한 제거를 보장한다. 네 개의 실세계 벤치마크에서의 실험은 IsleNet이 전체 그래프 정확도의 최대 94%를 달성하면서 언러닝 시간을 최대 한 자릿수까지 줄인다는 것을 보여준다. 코드는 https://github.com/wenlu-lab/STGraphUnlearning 에서 공개적으로 이용할 수 있다.
협조하지 않는 공중 장애물(조류, 무인 드론, 파편 등)의 다중 모드 3D 궤적을 예측하기 위해 Transformer 인코더와 Mixture Density Network(MDN) 출력 헤드를 결합한 확률적 프레임워크 AeroCast를 제안한다. 실·합성 쿼드로터 데이터 9개 운동 유형에서 5초 예측 구간 기준 ADE·FDE를 기준선 대비 약 50% 낮추고 NLL·CRPS도 최저를 기록했으며, 샘플당 0.1ms 추론으로 100Hz 온보드 실시간 배치가 가능하다.