비정기적으로 샘플링된 시계열 예측을 위한 그래프 기반 접근법

결측 값을 가진 불규칙하게 샘플링된 시계열 데이터를 예측하는 것은 의료, 천문학, 기후 과학 등 다양한 실-world 응용 분야에서 핵심적인 과제이다. 기존의 최신 기법들은 결측치 처리를 위해 추가적인 특징을 필요로 하며, 일반적으로 느린 성능을 보이는 상미분방정식(ODE)에 의존하고 있다. 이러한 문제를 해결하기 위해, 본 연구에서는 결측 값을 가진 불규칙하게 샘플링된 시계열 데이터를 예측하기 위한 새로운 모델인 GraFITi(Graphs for Forecasting Irregularly Sampled Time Series with missing values)를 제안한다. GraFITi는 먼저 시계열 데이터를 희소 구조 그래프(sparcity structure graph)로 변환하며, 이는 희소 이분 그래프(sparse bipartite graph) 형태를 갖는다. 이후 예측 문제를 그래프 내 엣지 가중치 예측 문제로 재정의하여, 그래프 신경망(GNN)의 강력한 표현 능력을 활용해 그래프 구조를 학습하고 목표 엣지 가중치를 예측한다. 제안된 GraFITi는 결측 값을 포함한 실제 세계 데이터셋 3개와 합성 데이터셋 1개에 대해 평가되었으며, 다양한 최신 모델들과의 비교를 통해 검증되었다. 실험 결과, GraFITi는 최신 예측 모델 대비 예측 정확도를 최대 17% 향상시키고, 실행 시간을 최대 5배까지 단축하는 것으로 나타났다.