합의 기반 이상 탐지 프레임워크를 가나(2014-2023)의 월별 말라리아 감시 데이터에 적용하여 비전형적인 전파 패턴을 식별하였다. 이상치는 공간과 시간에서 높은 구조성을 보였다. 아샨티(Ashanti)와 북부(Northern) 지역이 대부분의 반복적 이상치를 차지하였으며, 타말레(Tamale), 쿠마시(Kumasi), 아크라(Accra)에 지속적인 핫스팟이 존재하였다. 핵심 발견은 이상 부담(anomaly burden, 이상 기간 동안의 누적 사례)과 이상 빈도(anomaly frequency, 비정상적 행동의 지속성) 사이의 공간적 구별이었다. 타말레는 이상 기간 동안 가장 높은 부담을 보였으나, 가장 높은 이상률은 아샨티 지역에 집중되어 있어, 높은 부담 지역이 반드시 가장 빈번한 비정상적 전파를 보이는 지역은 아님을 보여주었다. 이상 월은 통계적으로 구별되는 집단을 형성하였으며, 정상 월과 비교하여 훨씬 높은 사례 수(Cohen's $d = 3.252$)와 큰 계절적 편차($d > 1.2$)를 보였다. 말라리아 부담만으로는 전파 역학의 불완전한 그림을 제공한다. 말라리아가 가장 널리 퍼진 곳과 전파가 가장 비정상적으로 나타나는 곳을 구별함으로써, 이 프레임워크는 감시를 강화하고, 조사 우선순위를 정하며, 표적 통제 전략을 지원할 수 있다.
시공간 역학의 고충실도 시뮬레이션은 계산 비용이 과도하여, 거친 입도의 입력으로부터 고해상도 데이터를 재구성할 수 있는 효율적인 초해상도 기술이 필요합니다. 전통적인 데이터 기반 방법은 종종 물리적 제약이 부족하며, 단순한 물리 정보 기반 학습은 불규칙한 공간 기하학적 구조와 복잡하게 진화하는 시간적 역학을 다루는 데 어려움을 겪습니다. 이러한 문제를 해결하기 위해, 본 연구에서는 불규칙한 기하학적 구조에서의 시공간 초해상도를 위한 물리 기반 증강 Koopman 향상 그래프 합성곱 네트워크(P-K-GCN)를 제안합니다. 구체적으로, 거친 그래프(coarse graph)로부터 공간 의존성을 직접 추출하도록 연속적인 스플라인 기반 GCN을 먼저 설계하고, 시간적 진행이 선형화되는 압축된 잠재 공간으로 비선형 역학을 사영하기 위해 Koopman 연산자 이론을 통합했습니다. 둘째, 예측 충실도와 견고성을 높이기 위해 데이터 기반 재구성이 물리 법칙을 준수하도록 강제하는 물리 기반 손실(loss)을 통해 최적화 목적함수를 증강했습니다. 마지막으로, 엄밀한 이론적 분석을 제공하여 물리 증강과 Koopman 정규화(regularization)가 Rademacher 복잡도를 감소시키고 일반화 경계를 강화함으로써 수학적으로 초해상도 오차의 감소를 보장함을 입증했습니다. 본 프레임워크는 희소한 저해상도 측정값으로부터 3D 심장 기하학적 구조 전반에 걸쳐 공간적으로 고해상도인 심장 전기 역학을 재구성하는 작업에서 평가되었습니다. 수치 실험 결과, 제안하는 방법이 기준선(baseline) 모델 대비 우수한 정확도를 달성함을 확인했습니다.
결측 데이터는 대기질 모니터링 및 도시 교통 관리와 같은 응용 분야에서 발생하는 시공간 시스템의 일반적인 문제입니다. 순환 신경망 및 그래프 신경망과 같은 전통적인 머신러닝 접근 방식은 반복적인 전파에 의존하는데, 이는 시간과 공간에 걸쳐 오류를 누적하는 경향이 있습니다. 최근 확산 기반 방법들은 오류 전파를 완화하지만, 반복적인 샘플링을 요구하며 종종 문제 비의존적인 가우시안 사전 분포에 의존하여 효율성과 효과성을 제한합니다. 이러한 제한 사항을 해결하기 위해, 우리는 시공간 결측치 대체를 위한 그래프 정보 기반 플로우 매칭 프레임워크인 GiFlow를 제안합니다. GiFlow는 관측 가능한 신호의 시공간 필터링을 통해 구성된 그래프 정보 기반 사전 분포로 전형적인 가우시안 사전 분포를 대체하여, 소스 분포를 타겟에 더 잘 정렬하고 생성 궤적을 단순화합니다. 플로우 필드는 공간 어텐션, 시간 어텐션 및 시공간 전파를 통합하는 하이브리드 벡터 필드 모델로 매개변수화되어, 공간 및 시간 의존성을 공동으로 모델링할 수 있습니다. 합성 및 실제 데이터셋에 대한 광범위한 실험을 통해 제안된 GiFlow가 시공간 결측치 대체에서 최첨단 접근 방식보다 우수함을 입증했습니다. 코드는 https://github.com/zepengzhang/GiFlow 에서 확인할 수 있습니다.