PyTorchKR Papers

최신 논문

총 1편
태그·기간 등 상세 필터

카테고리 탐색

로그인 후 이 태그 구독

arXiv:2605.05738v2cs.LG

CoMemNet: 교통량 예측을 위한 드리프트 인식 샘플링 기반 지속 메모리 네트워크

CoMemNet: A Continual Memory Network with Drift-Aware Sampling for Traffic Prediction

교통 센서 네트워크는 센서가 추가되고 교통 분포가 변화함에 따라 진화하지만, 대부분의 예측 모델은 고정된 노드(node) 집합을 가정하고 사용 가능한 모든 데이터에 대해 반복적으로 재학습(retraining)을 수행합니다. 본 논문에서는 진화하는 교통 센서 네트워크에서 효율적인 예측을 수행하기 위한 지속 메모리 네트워크(Continual Memory Network)인 CoMemNet을 제안합니다. CoMemNet은 현재 주기에 적응하기 위한 온라인(Online) 브랜치와 안정적인 특징(feature) 참조 역할을 하는 지수 이동 평균 타깃(Target) 브랜치를 사용합니다. 바서슈타인(Wasserstein) 기반 드리프트 샘플러는 노드별 온라인-타깃 특징 분포를 비교하고 업데이트할 제한된 드리프트 민감 노드 집합을 선택합니다. 또한 경량의 노드 적응형 시간 메모리 재생 버퍼(TMRB-N)는 모든 과거 학습 데이터를 반복해서 순회하지 않고도 압축된 시간 상태를 유지합니다. 예측 백본은 인접 행렬(adjacency matrix)을 직접 사용하지 않으며, 센서 인접성은 데이터를 구성하고 선택된 업데이트 집합을 제한된 이웃으로 선택적으로 확장하는 데에만 사용됩니다. 3개의 다중 주기 PeMS 데이터셋을 대상으로 한 실험에는 3개의 시드 평가, 강력한 정적 재학습 및 지속 학습(continual learning) 베이스라인, 통제된 샘플링 전략, 지속 학습 평가 지표, 강건성 테스트, 자원 사용량 분석이 포함됩니다. 실험 결과는 CoMemNet이 제한된 공유 노드 선택 조건에서도 안정적인 예측 정확도와 효율적인 적응력을 유지하며, 과거 지식 보존과 현재 주기 예측 성능 간에 더 우수한 균형을 달성함을 보여줍니다. 아울러 진화하는 네트워크가 확장됨에 따라 CoMemNet은 현재 주기 재학습 베이스라인 대비 정확도와 누적 학습 시간 측면에서 더욱 뚜렷한 이점을 보입니다. 코드는 https://meiwu5.github.io/CoMemNet 에서 확인할 수 있습니다.