LLM 기반 학습 불필요 위치-속성 시너지 융합: 이중 출처 암호화 POI 및 LULC 매핑을 위한 폐루프 패러다임
LLM-Driven Training-free Location-Attribute Synergic Fusion: A Closed-Loop Paradigm for Dual-source Encrypted POIs and LULC Mapping
서로 다른 두 암호화 좌표계에서 얻은 POI인 이중 출처 암호화 관심 지점(DSEP, Dual-source encrypted points of interest)은 비선형 체계적 오정렬과 명칭 불일치를 비롯한 위치 및 속성 불확실성이 얽혀 있어 토지 이용/토지 피복(LULC) 매핑을 저해한다. 저자들이 아는 한, 본 논문은 DSEP 융합을 위해 LLM 기반의 학습 불필요(training-free) 위치-속성 시너지 폐루프 최적화 패러다임을 최초로 제안한다. 이 패러다임은 반복적인 피드백을 통해 위치 변환과 속성 대응 관계를 함께 정제한다. 속성 시너지 위치 융합은 LLM 기반 속성 매칭 방법으로 DSEP 대응 관계를 구축하여 매칭 복잡도를 O(N^2)에서 O(N)으로 줄이고, ISODATA로 군집화한 국소 하위 영역 내에서 개선된 입자 군집 최적화(particle swarm optimization) 알고리즘으로 변환 계수를 정제한다. 이어서 위치 시너지 속성 융합은 LLM-퍼지 방법을 통해 갱신된 기하학적 잔차로부터 속성 신뢰도를 다시 평가한다. 정제된 대응 관계는 다시 위치 최적화에 반영되어 양방향 폐루프를 형성한다. 표본 정제와 적응형 반경 축소를 통해 본질적으로 두 번의 반복만으로 수렴(convergence)에 도달한다. 또한 위치 융합을 통해 암호화 지도로부터 토지 이용 클래스를 상속받아 벡터-래스터 통합 LULC 지도를 생성하는 학습 불필요 LULC 매핑 방법을 추가로 제안한다. 중국 본토의 31개 성도 및 직할시에 걸쳐 참조 데이터가 필요 없는(reference-free) POI 융합 평가 방법을 적용하였다. 실험 결과, 제안한 방법은 평균 DSEP 위치 융합 잔차 4.58 m, 속성 융합 정확도 95.12%를 달성하여 오픈소스 기준선(baseline) 및 최신 기술 수준(state-of-the-art) 방법 대비 각각 1.77 m, 14.87% 향상되었다. 종합하면, 본 방법은 DSEP 융합을 위한 학습 불필요 솔루션을 제공하며, 현장 측량 지상 기준점 없이도 암호화된 벡터 데이터를 WGS-84로 지리참조(georeferencing)할 수 있게 한다.