불규칙 다변량 시계열 분류를 위한 원스텝 그래프 구조 신경 흐름 (One-Step Graph-Structured Neural Flows)

신경 흐름(Neural Flows)은 변분 오토인코더(VAE)와 달리, 단계별 수치 해석기(step-by-step numerical solvers)를 우회하고 신경망을 통해 ODE 해 궤적을 직접 학습함으로써 불규칙 다변량 시계열을 효율적으로 모델링합니다. 이러한 효율성에도 불구하고, 기존의 많은 접근 방식들은 변수들을 독립적으로 처리하여 변수 간 상호작용(inter-variable interactions)이 충분히 탐구되지 못하고 있습니다. 더욱이, 원스텝 매핑(one-step mapping)은 상호작용 모델링을 본질적으로 어렵게 만드는데, 이는 학습 과정에서 상호작용의 반복적인 정제 과정을 제거하기 때문입니다. 이러한 문제를 해결하기 위해, 우리는 원스텝 그래프 구조 신경 흐름(Graph-Structured Neural Flows, GSNF)을 제안합니다. GSNF는 상호작용 학습을 강화하기 위해 두 가지 보조 궤적 자기 지도 학습 전략을 도입했습니다: (i) 재초기화(re-initialization)를 통한 상호작용 인식 궤적 생성으로, 이는 그래프 유도 상호작용을 노출시키기 위해 궤적 발산(trajectory divergence)을 유도하며, 이 과정에는 이론적으로 도출된 발산에 대한 하한(lower bound)이 존재합니다. 그리고 (ii) 흐름 역변환성(flow invertibility) 덕분에 그래프 학습을 정규화하는 순방향-역방향 일관성(forward-backward consistency)을 강제하는 역시간 궤적 생성입니다. 다섯 가지 실제 데이터셋에 대한 실험 결과, GSNF는 매우 경쟁력 있는 훈련 시간 및 메모리 사용량으로 최첨단 분류 성능(state-of-the-art classification performance)을 달성함을 보여줍니다.