초록
실세계 응용 프로그램에서 유래된 데이터를 처리할 때 결측치와 불완전한 시계열 데이터를 다루는 것은 노동 집약적이고 지루하며 피할 수 없는 작업입니다. 효과적인 공간-시간 표현은 다른 위치의 센서에서 얻은 정보를 활용하여 결측 시간 데이터를 재구성하는 보간 방법을 가능하게 합니다. 그러나 표준 방법들은 상호 연결된 센서 네트워크 내에 존재하는 비선형 시간과 공간 의존성을 포착하는 데 부족하며, 종종 강력한 관계 정보를 충분히 활용하지 못합니다. 특히, 딥러닝 기반의 최신 보간 방법들 대부분은 명시적으로 관계 측면을 모델링하지 않으며, 어떤 경우에도 구조화된 공간-시간 데이터를 적절히 표현할 수 있는 처리 프레임워크를 활용하지 않습니다. 반면에, 그래프 신경망은 최근 관계적 귀납 편향을 가진 순차 데이터 처리에 있어 표현력이 뛰어나고 확장성이 좋은 도구로 인기몰이를 하고 있습니다. 본 연구에서는 다변량 시계열 보간 맥락에서 그래프 신경망의 첫 번째 평가를 제시합니다. 특히, 우리는 다양한 채널의 다변량 시계열에서 결측 데이터를 재구성하기 위해 메시지 패싱을 통해 공간-시간 표현을 학습하는 새로운 그래프 신경망 아키텍처인 GRIN(Graph Relational Imputation Network)을 소개합니다. 실증 결과는 우리의 모델이 관련 실세계 벤치마크에서 평균 절대 오차 개선율이 종종 20% 이상인 최신 방법들을 보간 작업에서 능가함을 보여줍니다.