Spectral filtering recently delivered substantial pruning for \emph{static} subgraph matching: Laplacian interlacing rejects candidates whose neighborhoods cannot host the query. We study whether such aggregate structural tests can accelerate \emph{continuous} subgraph matching (CSM) over dynamic graphs, and answer in three parts. First, lazily maintained spectral bounds are infeasible exactly where spectral pruning has value: we characterize the tightest safe rule over a formalized perturbation relaxation and show that even it loses essentially all pruning power within four touching updates. Second, exact maintenance is affordable when selective: pruning utility and recomputation cost are anti-correlated across vertices -- hubs provably never prune -- so recomputing small-neighborhood spectra on touch sustains exact local spectra at microseconds per update, complete by construction. Third, integrated into a decoupled CSM benchmark against an identical-minus-spectra control, the tests remove up to $51\%$ of candidates or safely skip up to $47\%$ of update enumerations, yet enumeration intermediates remain unchanged -- beyond the gates' skipped first-level bindings, typically zero -- across two engines, four real graphs, two stream types, and $77$ solved queries; a constructed radius-stratified workload confirms the instrument detects the exception when one exists ($-99.9\%$ intermediates, $748\times$ faster). Aggregate tests accelerate what scales with candidate sets -- construction, list scans -- never adjacency-guided exploration. We distill an intermediate-invariance methodology for evaluating CSM filters and release a reusable dynamic local-spectra index.
Accurate short-term PM$_{2.5}$ forecasting is important for public health protection, air-quality early warning, and urban environmental management. However, PM$_{2.5}$ variation is driven by multiple coupled factors, including stable periodic changes induced by human activities and meteorological regularity, station-specific short-term concentration evolution, and meteorology-driven pollutant dispersion among monitoring stations. Existing spatio-temporal forecasting methods may capture station relationships to some extent, but distance-only, correlation-based, or purely adaptive graphs are often insufficient to comprehensively represent these heterogeneous factors, especially wind-direction-dependent pollutant transport. To address this problem, we propose a Multi-View Geo-Wind Guided KAN model for PM$_{2.5}$ forecasting, named \textbf{MVG-KAN}, which models station-level PM$_{2.5}$ evolution from three complementary views: local periodic regularity, station-wise residual temporal dynamics, and meteorological-environment-guided spatial dispersion. Specifically, the periodic-residual forecasting backbone first separates stable daily and weekly patterns from non-periodic residual variations. A Geo-Wind Graph is constructed by combining geographic distance decay with wind-direction- and wind-speed-aware transport, providing a lightweight physically motivated directed spatial prior for residual propagation among stations. In addition, a temporal Kolmogorov-Arnold network (TKAN) residual head is then introduced to learn station-wise nonlinear autoregressive correction from de-periodized PM$_{2.5}$ residuals and historical multi-pollutant sequences, thereby enhancing the modeling of local residual inertia and pollutant co-variation.
Federated Graph Learning facilitates collaborative graph modeling across distributed clients while preserving data privacy. However, real-world data categories frequently exhibit long-tailed distributions. Such statistical scarcity severely degrades performance in two ways: it biases the global model toward majority classes, and it structurally isolates minority nodes by submerging them in heterophilic, head-dominated neighborhoods. While existing methods attempt topology-agnostic statistical compensations, they often fail under data scarcity. Instead of recovering tail nodes, they overfit the structural noise from adjacent dominant classes, leading to representation degradation. To address these limitations, we propose FedEPD, a framework built on a dual decoupling paradigm that separates topological purification from semantic recalibration. Specifically, FedEPD utilizes distribution-aware Dirichlet energy pruning to filter spatial heterophilic edges. It then overcomes Non-IID distribution shifts by extracting robust global prototypes from topologically central nodes, which are incorporated into local representations via a spatial low-pass prototype injection. Furthermore, a two stage alternating optimization strategy strictly protects majority decision boundaries while improving minority accuracy. Extensive experiments demonstrate that FedEPD achieves state-of-the-art performance across diverse long-tailed benchmarks, yielding absolute improvements of up to 4.97% in Accuracy and 5.48% in Macro-F1.
고차 구조에서 기존 스펙트럼 연산자는 위상을 랭크별로 분해해 정점 수준으로 정보를 되돌리기 어렵다는 문제를, graded Laplacian의 Schur complement로 고차 자유도를 단일 정점 연산자(Collapsed Effective Operator)로 압축하는 방식으로 해결한다. 제안 연산자는 위상이 매개하는 장거리 상호작용을 인코딩하며 양의 준정부(positive semi-definiteness)를 보존하고, 스펙트럼 클러스터링·신호 평활화 성능을 높이고 신경망 위치 인코딩(positional encoding)에 위상적 특징을 통합할 수 있음을 실험으로 확인한다.
리만 다양체 접공간에 놓인 벡터 특징을 위해 벡터 확산 맵에서 영감을 받은 벡터 확산 웨이블릿(VDWs)을 제안하고, 이를 기하 그래프 신경망 VDW-GNNs에 통합한다. 이론적으로 기존 확산 웨이블릿과 유사한 프레임 이론적 성질과 회전·평행이동 대칭성을 증명했으며, 합성 포인트 클라우드와 풍속장·신경 활동 측정 데이터에서 효과를 입증했다.
방향 그래프(digraph)의 정점 클러스터링은 방향성과 고유값 분해(eigen-decomposition) 부담으로 스펙트럴 방법 적용이 어렵다. ParPIC는 매개변수화된 가역 랜덤 워크 연산자의 파워 반복으로 확산 임베딩을 만들고 확산 시간을 자동 튜닝·절단해 고유값 분해 없이 클러스터링하며, 합성·실제 그래프에서 스펙트럴·텔레포테이션 방법 대비 경쟁력 있는 정확도와 더 나은 확장성을 보였다.
사전학습(pre-training) 기반 모델(foundation model)은 다양한 도메인에서 뛰어난 성과를 보여 왔으며, 단일 백본이 다양한 다운스트림 과제에 일반화할 수 있게 한다. 그러나 이 패러다임을 그래프 학습(graph learning)으로 확장하는 것은 그래프 데이터와 고정된 아키텍처 설계 간의 본질적 불일치로 인해 여전히 어렵다. 본 연구에서는 순환 그래프 모델(recurrent graph model)을 통해 이 한계를 극복할 수 있음을 보인다. 이를 위해 체계적인 이론 분석을 수행하고, 적응적으로 수렴하는 순환 과정을 위해 단계 의존성(step dependence)이 필요충분 조건임을 엄밀하게 도출한다. 이 기반 위에서 AdaR(Adaptive Recurrent graph model)을 제안하며, 모델 파라미터를 변경하지 않고도 다양한 다운스트림 과제에서 유연한 테스트 타임 연산(test-time computing)을 가능하게 한다. 적응형 추론(inference)을 위해 AdaR은 정규화(normalization)된 단계 정보와 표현-목표(representation-target) 관계를 순환 업데이트에 명시적으로 인코딩한다. 순환 과정의 수렴(convergence)을 보장하기 위해 AdaR은 그래디언트(gradient) 기반 지도 신호를 사용하여 순환 전반에 걸친 표현 업데이트를 안내한다. 실험 결과는 AdaR이 귀납(inductive) 및 전도(transductive) 설정 모두에서 강력한 베이스라인을 일관되게 능가함을 보여준다.
그래프 신경망(GNN)은 입출력 파라미터를 데이터셋별 특징 공간과 타깃 집합에 밀접하게 결합하여, 서로 다른 데이터셋 간 전이 가능성이 제한적이다. 반면 언어 모델(LM)은 통합된 입출력 인터페이스를 통해 유연하게 일반화하므로, LM을 그래프 태스크에 적응시키려는 최근 시도들의 동기가 된다. 그러나 기존 방법들은 전체 그래프 정보를 인코딩하는 데 어려움을 겪어 잠재적인 정보 손실과 그래프 이해의 비최적화를 초래한다. 본 연구에서는 LM을 그래프 태스크에 적응시키기 위한 새로운 가중치 수준 정보 주입 패러다임을 제안한다. 이 패러다임은 은닉 표현과 직접 상호작용하는 태스크별 가중치 업데이트를 생성하여 전체 그래프 정보를 주입한다. 저랭크 적응(low-rank adaptation, LoRA)에 따라 이 패러다임을 구현하여 그래프 인식 LoRA 생성 모델인 GaRA를 도입한다. GaRA는 원본 그래프 구조를 조건으로 저랭크 가중치 업데이트를 구성하고 생성된 업데이트의 노름을 제약하여 전체 그래프 정보를 주입하고 가중치 생성에서의 최적화 바이어스를 피한다. 실험 결과 GaRA는 제로샷 그래프 학습 태스크에서 베이스라인을 일관되게 능가함을 보여준다.
심층 학습은 입력이 흔히 그래프 또는 3D 격자로 표현되는 생화학적 분자 시스템 모델링에서 상당한 성공을 거두었다. 주요 과제는 계산 비용이 해상도에 따라 증가한다는 점으로, 이로 인해 분자 밀도에 대한 전체 그래프/격자 계산이 비용이 크고 종종 불안정해진다. 우리는 이산화 간 매개변수 전달을 통해 저해상도 최적화를 활용하여 고해상도에서의 학습을 가속하는 멀티그리드 학습 전략을 제안한다. 그래프 분자 표현의 경우, 편향 랜덤 워크 업샘플링(biased random walk upsampling)을 통해 거친 그래프에서 학습된 매개변수를 점점 더 세밀한 그래프들의 순서로 점진적으로 전달한다. 3D 분자 생성의 경우, 분자 구조를 여러 해상도로 복셀화(voxelize)하고, 저해상도 조건부 변분 오토인코더(conditional Variational Autoencoder, CVAE)를 사전학습한 뒤, 거친 모델로부터 형상 호환(shape compatible) 합성곱 매개변수를 전달하여 고해상도 CVAE를 초기화한다. 수용체 조건(receptor-conditioned) 3D 리간드 생성에 대한 수치 실험은, 처음부터 학습하는 경우에 비해 멀티그리드 학습이 수렴을 가속하고 일반화를 개선함을 보여준다.
어텐션 싱크(attention sink), 표현 붕괴(representation collapse), 노름 계층화(norm stratification)는 트랜스포머 특유의 병리로 취급된다. 우리는 이것들이 어텐션에 특정되지 않음을 보인다. 고정된 유사도 측정(metric) 하에서 콘텐츠 기반 라우팅(content-based routing)이 보이는 현상이다. 재구성 정체성(reframing identity)을 제시한다. 소프트맥스 어텐션은 키 노름이 일정한 유클리드 거리(Euclidean distances)에 대한 볼츠만 가중 집계(Boltzmann-weighted aggregation)이므로, 그 점수는 $-\|k\|^2$ 항을 생략하고 키 크기(key magnitude)에 눈멀다. 이는 표현과 부조화된 측정을 쓰는 모든 라우터가 라우팅을 집중하고 라우팅된 표현을 붕괴시키는 방식으로 보상할 것임을 예측한다. 토큰에 대한 소프트맥스 어텐션(사전학습 트랜스포머 9개), 노드에 대한 그래프 어텐션, 시간축의 선택적 상태공간 모델과 순환 혼합기(recurrent mixer), 깊이에 대한 학습된 잔차(learned residuals) 등 서로 다른 축에서 점수를 매기고 집계하는 라우터에서 이를 검증한다. 모두 동일한 특징(signature)을 발달시키며, 모델 내 두 가지 ablation은 부수적 동역학이 아니라 라우팅 메커니즘에 기인함을 보여준다. 그 형태는 우연적(contingent)이며, 각 라우터가 콘텐츠 점수와 함께 갖는 위치적 제동(positional brake)의 강도에 의해 설정된다. 우리는 그 제동을 스윕(sweep)하여 발현 시점(onset)을 전 범위에서 이동시킨다. 메커니즘은 우연적이지 않으며, 노름 계층화를 요구하지 않는다. 노름 정규화된 키를 가진 라우터도 동일하게 집중한다. 우리는 이 모델들이 리만 기하(Riemannian geometry)를 구현한다고 주장하지 않는다. 기하학적 관점은 평탄하고(norm-blind) 노름에 눈멀은 측정의 부적절성을 진단하는 이름을 부여한다.
그래프 신경망(GNN)은 다양한 네트워크 형태 구조에서 링크 예측에 매우 효과적이지만, 속도와 품질 간의 트레이드오프에 대한 연구는 거의 이루어지지 않았다. 실무에서는 작은 벤치마크에서 추론에 걸리는 시간이 크게 중요하지 않지만, 지연 시간은 대규모 도메인에서의 적용 가능성을 제한한다. 본 연구에서는 링크 예측 문제를 더 빠르게 해결하기 위해 그래프 신경망에 적용할 수 있는 조기 종료(early-exiting) 전략을 탐구한다. 조기 종료를 강제하기 위한 보조 손실(auxiliary loss)은 사용하지 않으며, 이를 아키텍처의 암묵적 특성으로 드러나게 한다. 여러 설정에서 본 방법이 조기 종료를 가능하게 하고, GCN 및 SAS-GNN 백본에 대해 HeaRT 벤치마크에서 파레토 프론티어(Pareto frontier)를 이동시킴을 보인다. 연구 결과, 많은 링크 예측 문제에서 GNN의 추론 속도를 개선할 수 있으며, 예측 품질 측면에서는 거의 손실이 없거나 오히려 더 나아질 수 있음을 보여준다. 코드는 다음 저장소에서 제공된다: https://github.com/knyazer/link_prediction.
본 연구에서는 그래프 신경망(GNN)에서 범용적이고 모델 불가지론적이며 로컬 수준의 반사실적 설명 가능성을 위한 새로운 파이프라인을 제안한다. 최근 몇 년간 엣지 추가와 제거를 모두 수행할 수 있는 반사실적 설명기가 등장했지만, 특히 정성적 설명 생성과 관련하여 범용적이고 효율적인 해결책에 대한 필요는 여전히 충족되지 않았다. 우리의 접근법은 사실적 설명 가능성(factual explainability)의 발전과 링크 예측(link prediction) 연구에 기반한 누락 엣지 예측 모델을 결합하여, 설명의 품질, 견고성, 직관성을 향상시킨다. 이진 및 다중 레이블 그래프 분류 벤치마크의 실세계 및 합성 데이터셋에서 수행한 다각적 실험 분석은 다양한 지표에서 최신(state-of-the-art) 기준선 대비 진전을 보여준다.
신경계가 출생부터 성체까지 스스로 배선되는 방식을 이해하는 것은 발달 신경과학의 근본적인 과제이다. 우리는 시간적 그래프 신경망(TGN)을 C. elegans 신경 발달의 두 가지 상호 보완적 표현에 적용하는 시간적 그래프 프레임워크 DevoTG를 제시한다: 세포 계보 데이터에서 도출된 세포 분열 이벤트의 연속 시간 동적 그래프(CTDG)와, 8개의 재구성된 전자현미경 데이터셋에 걸쳐 발달 중인 시냅스 커넥톰의 이산 시간 동적 그래프(DTDG)이다. 계보 예측 과제에서 우리의 TGN은 평균 테스트 AUC 0.839 ± 0.007(5개 시드; 검증 AUC 0.937 ± 0.001)을 달성하며, 동일한 아키텍처의 정적 GNN을 26 AUC 포인트(0.577 ± 0.080) 차이로 능가함으로써 시간적 메모리가 결정적 요인임을 입증한다. 커넥톰 DTDG에 적용된 DevoTG는 발달 과정(L1 출생~성체)에 걸쳐 225개 뉴런과 858~2,496개 연결에서 세 가지 연결 안정성 분류(안정적, 발달적, 가변적)를 식별하며, Witvliet et al.의 개체 변이성 분류에 대한 시간적 그래프 이론적 보완을 제공한다. 허브 명령 개재뉴런 AVA, AVB, AVE에 대한 분석은 이들의 지속적인 중심성과 유충 단계 전반에 걸쳐 통합 역할이 점진적으로 강화되는 방식을 밝혀낸다. 대화형 시각화(3D 애니메이션 네트워크, 중심성 히트맵, 시공간 계보 그래프)를 통해 발달 동역학을 생물학적 가설 생성에 활용하기 쉽게 제공한다. DevoTG는 오픈 소스이며 다른 발달 중인 신경계로의 확장을 위해 설계되었다. 코드는 https://github.com/DevoLearn/DevoGraph/tree/main/DevoTG에서 공개적으로 이용 가능하다.
로렌츠 등변 제트 태거가 내부적으로 무엇을 학습하는지, L-GATr, L-GATr-slim, LLoCa-T를 포함한 다섯 개 모델에 대해 등변성 테스트, 선형 프로브(linear probe), grade 소거를 통해 조사하였다. 선형 프로브는 등변 모델이 기준계에 의존하는 의사빠르기(pseudorapidity)를 0으로 억압하면서 제트 질량과 N-subjettiness를 강하게 인코딩함을 보여준다. L-GATr에 대한 grade 소거는 top 쿼크 태깅에서 이벌렉터(bivector) 채널은 무시할 만한 반면, 벡터형 채널은 지배적이지만 시드(seed)에 따라 달라짐을 밝히며, 이는 네트워크가 여러 표현 경로를 활용하고 있음과 일치한다. 이러한 결과는 등변 태거에서 어떤 물리적 특징과 대수적 grade 구조가 판별 정보를 담는지 특성화하며, 향후 이러한 모델의 개발에 기여할 수 있다.
그래프 합성곱 네트워크(GCN)는 협업 필터링(CF)에서 복잡한 사용자-아이템 관계를 포착하는 데 있어 괄목할 만한 성과를 거두었다. 그러나 방대한 모델 학습에 대한 의존성으로 인해, 학습 불필요 그래프 필터링(GF) 기반 CF 방법이 유망한 대안으로 부상하였으며, 행렬 연산을 통한 그래프 신호 평활화로 계산 효율성을 제공한다. 특히, 다항식 GF 기반 접근법은 보다 표현력 있고 유연한 필터링 함수를 설계할 수 있는 능력을 통해 향상된 정확도를 보여준다. 이러한 장점에도 불구하고, 기존 GF 방법들은 심각한 메모리 병목 문제를 겪는다. 즉, 전체 아이템 유사도 그래프를 저장해야 하므로 대규모 데이터셋에서 엄청난 메모리 비용이 발생하여 실용적 적용 가능성이 제한된다. 이 문제를 해결하기 위해, 우리는 Mem-GF(메모리 효율적 GF)를 제안한다. Mem-GF는 아이템 유사도 그래프를 명시적으로 저장하지 않고도 다항식 그래프 필터를 근사하기 위한 핵심 메커니즘으로 Krylov 부분공간의 구조를 주로 활용함으로써 기존 설계 방식에서 탈피한 새로운 GF 기반 CF 방법이다. 우리는 무손실 근사를 보장하는 최소 Krylov 부분공간 크기를 이론적으로 분석한다. 광범위한 실험을 통해, Mem-GF가 최대 5.74배 낮은 메모리 사용량과 4.38배의 런타임 속도 향상을 달성하면서도 최신 GF 및 GCN 기반 방법의 추천 정확도를 일관되게 상회함을 입증한다. Mem-GF는 수천만 건의 상호작용을 포함하는 데이터셋으로 견고하게 확장되어, 효율적인 CF를 위한 실용적으로 실현 가능하고 이론적으로 검증된 솔루션으로 자리매김한다.
IoT 및 IoMT(Internet of Medical Things) 기기의 급격한 확산은 자원 제약 환경에서 엄격한 지연(latency) 및 데이터 프라이버시 규제 하에 운영되는 의료·산업 환경에 치명적인 사이버보안 취약점을 야기한다. 본 논문은 Advantage Actor-Critic을 결합한 연합 시간 그래프 합성곱 신경망(Federated TGCN-A2C)을 제안하며, 이는 프라이버시를 보존하는 방어 아키텍처로 네 가지 메커니즘을 통합한다: GCNConv 층과 전역 평균 풀링, 학습된 이상(anomaly) 게이트를 사용하는 PyG 기반 Temporal GCN을 통한 플로우 수준 위협 분류; 기기별 이상 점수를 생성하고 학습된 시그모이드 결합을 통해 분류기를 게이팅하는 LSTM 기반 디지털 트윈; 신뢰도, 엔트로피, 이상 크기, 트래픽 구성을 포착하는 7차원 상태에 기반하여 ALLOW, ISOLATE, HONEYPOT-REDIRECT 행동 중 하나를 선택하는 연합 A2C 에이전트; 의심스러운 트래픽을 적응형 임계값으로 위협 인텔리전스로 전환하는 강화된 허니팟(honeypot) 층. 연합 집계는 EMA로 평활화된 클라이언트별 검증 손실을 FedAvg 계수의 역가중치로 사용하여 비-IID(non-IID) 분포 하에서 전역 모델 업데이트를 안정화하며, 라운드당 코사인 어닐링(cosine-annealed) 학습률을 적용한다. CICDDoS 2019 및 TON-IoT 벤치마크에서 평가한 결과, 본 프레임워크는 각각 99.48% 및 99.61%의 테스트 정확도와 0.9948 및 0.9961의 가중 F1 점수를 달성하며, 25 및 10회의 연합 라운드 내에 수렴하고 Fed-Inforce-Fusion 대비 0.21%p 우수한 성능을 보이면서 세 가지 추가 공격 카테고리를 포괄한다. CICDDoS 2019의 16개 클래스 모두 F1이 0.9237 이상이며, TON-IoT의 10개 클래스 모두 F1이 0.9488 이상으로, 심각하게 불균형한 MITM 카테고리를 포함한다. SHAP, LIME, Grad-CAM 및 반사실(counterfactual) 분석을 통한 사후 설명 가능성(explainability)은 의사결정이 의미론적으로 유의미한 플로우 특징에 기반함을 확인하며, 임상 배포에서의 규제 책임성(regulatory accountability)을 뒷받침한다.
관계형 심층 학습(RDL)은 멀티 테이블 데이터베이스를 시점 이종 그래프로 모델링하여 end-to-end 표현 학습을 수행한다. RDL은 빠르게 발전하고 있지만, 기존 접근법은 상당한 일반화 장애에 직면한다. 이들은 스키마 특화 방식으로 새 데이터베이스마다 처음부터 학습해야 하거나, 특징 인코딩과 그래프 메시지 패싱을 얽어놓은 단일(monolithic) 아키텍처에 의존한다. 이러한 한계를 분석하여, 우리는 기반 관계형 모델 구축을 위한 네 가지 핵심 기둥을 정립한다: 의미적 세분성, 구조적 위상, 시간적 인과성, 그리고 통합 최적화. 이 기둥들을 다루기 위해, 우리는 행 인코딩과 그래프 메시지 패싱을 분리하는 모듈식 접근을 제안한다. 우리는 Universal Row Encoder를 도입한다. 이는 트랜스포머 기반 모듈로 원시 셀 데이터와 스키마 메타데이터—열 의미, 테이블 이름, 전역 분포 통계를 포함—를 통합하여 테이블 너비 불변 행 임베딩을 생성한다. 전역 통계를 행 내 셀프 어텐션 메커니즘에 명시적으로 공급함으로써, 인코더는 본질적으로 보지 못한 특징을 문맥화하고 희소 데이터를 처리한다. 어떤 하류 그래프 아키텍처에도 유연한 "backend"로 작동하면서, 우리의 사전학습 인코더는 확립된 RelBench 벤치마크에서 교차 데이터베이스 지식 전이를 향상시키면서 학습 수렴과 메모리 사용량을 개선한다.
그래프 신경망(GNN)은 엣지를 통해 정보를 반복적으로 전파하고 집계함으로써 그래프 구조 데이터에서의 학습을 위한 강력한 패러다임으로 부상했습니다. 그러나 기존의 메시지 패싱(message passing) 방식은 오버-스쿼싱(over-squashing) 문제를 겪는 경우가 많은데, 이는 지수적으로 큰 이웃 정보가 고정 차원의 임베딩으로 압축되어 장거리 의존성 학습을 방해하는 현상입니다. 본 연구에서는 라마누잔 그래프(Ramanujan graph)를 활용하여 GNN의 위상적 병목을 완화하는 그래프 리와이어링(graph rewiring) 전략인 Ramanujan Propagation을 제안합니다. 먼저, 적절히 선택된 라마누잔 그래프가 비음 저항 곡률(non-negative resistance curvature)을 보장함을 증명하며, 이를 통해 오버-스쿼싱이 완화되고 효율적인 정보 흐름이 촉진됨을 보입니다. 이어서 원래 그래프의 지역 연결성을 보존하면서 라마누잔 리와이어링 그래프를 구성하는 알고리즘 프레임워크를 제안합니다. 실험 결과, 본 방법은 9가지 최신 리와이어링 기법보다 우수한 성능을 달성했습니다. 이러한 결과는 라마누잔 그래프가 GNN에서 확장 가능하고 위상 인식적인 메시지 패싱을 위한 엄밀한 구조적 사전(structural prior)으로 기능함을 입증합니다.
데이터 스트림에서의 준지도학습(SSL)은 대용량 데이터의 지속적인 변화와 레이블 부족으로 인해 어렵다. 기존 방법들은 고정된 유사도 측정이나 정적 그래프 구조에 의존하기 때문에 샘플 간 내재적 관계를 활용하는 데 한계가 있으며, 시간에 따라 관계가 어떻게 변화하는지 포착하지 못한다. 우리는 SLeDGe를 제안한다. 이는 엄격한 메모리 및 레이블 제약 조건 하에서 예측 모델과 적응형 그래프 구조를 함께 학습하는 데이터 스트림용 SSL 방법이다. SLeDGe는 서로 다른 업데이트 전략을 사용하여 레이블된 메모리와 레이블되지 않은 메모리를 컴팩트하게 유지하며, 새로운 특징에 대한 빠른 적응과 과거 일관성 보존 사이의 균형을 맞춘다. 또한 관계 그래프에서 희소성(sparsity)을 장려함으로써 SLeDGe는 허위 연결을 제거하고 레이블 지도(supervision)의 효과적인 전파를 가능하게 한다. 12개의 데이터셋에 걸쳐 SLeDGe는 최신 경쟁 방법들을 능가하며, 레이블 비율 0.1%에서 평균 31.7%, 1%에서 14.8%의 상대적 정확도 향상을 달성한다.
출발지-목적지(OD) 수요 예측은 지능형 교통 시스템의 기초이지만, 실제 OD 흐름은 종종 동적으로 희소하고, 롱테일 분포를 띠며, 이질적인 제로 흐름(zero-flow) 패턴을 특징으로 한다. 이러한 특성은 OD 연결이 활성화되어 있는지 여부와, 활성화된 이후 생성되는 수요의 규모를 구분하기 어렵게 만든다. 기존의 많은 방법은 OD 예측을 주로 단일 흐름 회귀(flow regression) 작업으로 다루어, 저빈도·간헐적·롱테일 OD 상호작용을 모델링하는 능력이 제한된다. 이러한 과제를 해결하기 위해, 동적 희소 OD 수요 예측을 위한 구조 인식 그래프 다중 작업 학습(Structure-Aware Graph Multi-Task Learning) 프레임워크인 SAGMTL을 제안한다. SAGMTL은 OD 예측을 구조적 상태 모델링과 흐름 강도(flow intensity) 추정으로 분해하고, 통합 프레임워크 내에서 지역 활동 상태, OD 연결 활성, 에지 수준 흐름 강도를 공동으로 학습한다. 구체적으로, 노드-에지 협력 표현(node-edge collaborative representation) 모듈은 상호작용적 노드-에지 업데이트를 통해 지역 의미, 시간적 역학, 공간적 사전지식(spatial priors)을 포착하여 동적 OD 상호작용을 위한 구조 인식 표현을 생성한다. 이러한 표현을 바탕으로 SAGMTL은 안정적인 수요 패턴과 단기 변동을 공동 모델링하여 OD 흐름을 추정한다. 다중 제약 목적함수는 희소성 인식과 구조적 일관성을 더욱 향상시킨다. 베이징, 청두, 난징의 세 가지 실제 도시 이동 데이터셋에 대한 실험에서 SAGMTL은 최신 베이스라인 대비 전반적으로 우수한 성능을 달성한다. 추가 분석은 지역 활동, 연결 상태, 흐름 강도를 명시적으로 모델링하는 것이 동적 희소 OD 수요 예측의 견고성(robustness)을 향상시킴을 보여준다.