시계열 분류 성능 향상을 위한 GraphSAGE 기반 임베딩

초록

최근 그래프 연구가 활발해짐에 따라 시계열을 그래프 도메인에서 분석하는 연구가 소개되고 있다. SimTSC는 시계열을 그래프로 변환하고 이를 노드 분류에 적용한 새로운 접근법인데, 노드의 특징 임베딩 과정에서 노드 사이 관계는 고려하지 않는 문제가 있다. 본 논문에서는 이러한 문제를 해결하기 위해 GraphSAGE로 노드의 특징을 임베딩하는 SbCM(SAGE-based Classification Model)을 제안한다. 또한, GraphSAGE의 이웃 노드 선택을 위해 원본 시계열을 사용한 새로운 그래프 구성 방법을 제안한다. GraphSAGE는 이웃 노드 정보를 활용하는 임베딩 모델로, 타겟 노드와 이의 이웃 노드를 함께 활용한 특징 임베딩이 가능하다. UCR 데이터를 사용한 실험 결과, 제안하는 SbCM은 대용량 데이터, 다수의 클래스 하에서 기존 SimTSC 대비 최대 2.5배까지 분류 성능을 향상시킨 것으로 나타났다.

키워드