빠른 수렴 동적 평균 추정을 위한 게이트 그래프 신경망 접근법
A Gated Graph Neural Network Approach to Fast-Convergent Dynamic Average Estimation
동적 평균 추정(dynamic average estimation)은 다중 에이전트 시스템에서 핵심적인 문제로, 에이전트들이 로컬 정보 교환만을 활용하여 시변 신호를 협력적으로 추정할 수 있게 한다. 전통적인 모델 기반 접근법은 수렴 속도 및 네트워크 토폴로지 변화에 대한 민감성 측면에서 어려움을 겪는 경우가 많다. 본 논문은 완전 분산 방식으로 빠른 수렴의 동적 평균 추정을 달성하기 위해 게이트 그래프 신경망(GGNN, Gated Graph Neural Networks)을 활용한 새로운 학습 기반 솔루션을 제안한다. GGNN의 고유한 구조적 특성을 이용하여, 제안된 방법은 추정 과정을 분산 자기회귀기(distributed autoregressor)로 모델링함으로써 안정성을 유지하면서 빠른 수렴을 보장한다. 학습 시 수렴 보장을 강제하기 위한 정규화 항을 도입하고, 표준 GGNN 대비 정확도를 희생하지 않으면서 통신 오버헤드를 줄이기 위한 인코딩-디코딩 메커니즘을 소개한다. 광범위한 수치 실험을 통해 제안된 접근법이 수렴 속도와 정밀도 모두에서 기존 모델 기반 추정기를 크게 능가함을 입증하며, 동적 평균 추정이 요구되는 다중 에이전트 응용에 유망한 대안임을 보인다.