공동 종 분포 모델링 (Joint Species Distribution Modeling, JSDM)은 생물 다양성 모니터링 및 보전 계획을 위한 핵심 동력입니다. 그러나 정확한 JSDM은 두 가지 결합된 과제에 직면해 있습니다. 환경적 요인과 종 분포는 본질적으로 시공간적(spatio-temporal)인 반면, 종의 공존 패턴은 복잡한 비선형적 군집 구조와 희귀종으로 인한 심각한 롱테일 불균형 (long-tail imbalance)을 나타냅니다. 기존 방식들은 종종 이러한 요인들을 개별적으로 다루며, 정적인 공변량 (static covariates)으로부터 학습하거나 동적인 군집 구조의 역사적 궤적을 무시하곤 합니다. 이러한 한계를 극복하기 위해, 우리는 동적인 서식지 맥락 (habitat context)과 군집 구조가 공동으로 최적화되는 공유 잠재 공간 (shared latent space)을 학습하는 새로운 프레임워크인 STELLAR (Spatio-Temporal Environmental Learning with Latent Alignment and Refinement)를 제안합니다. 우리의 접근 방식은 세 가지 상호 보완적인 구성 요소를 통합합니다: (1) 그래프 어텐션 (graph attention)과 순환 유닛 (recurrent units)을 사용하여 공간적 이웃 효과를 집계하고 환경 맥락과 군집 구조의 공동 진화하는 역사적 역학을 포착하는 그래프-시공간 인코더 (Graph-Temporal Encoder); (2) 레이블 활성화 혼합 사전 확률 (label-activated mixture prior)과 지도 대조 학습 (supervised contrastive learning)을 사용하여 잠재 공간을 구조화하고, 공유된 환경 선호도를 기반으로 종을 능동적으로 클러스터링하는 맥락 고정 잠재 정렬 (Context-Anchored Latent Alignment) 메커니즘; (3) 비대칭 손실 (Asymmetric Loss)을 활용하여 학습을 학습하기 어려운 희귀종 샘플에 집중시켜 롱테일에서의 모드 붕괴 (mode collapse)를 방지하는 불균형 인식 분리 디코딩 (Imbalance-Aware Decoupled Decoding) 모듈입니다. 도메인 전문가들이 큐레이션한 대규모 eBird 데이터셋을 통한 실험 결과, 우리의 프레임워크가 최신 베이스라인 (state-of-the-art baselines) 모델들을 크게 능가하며, 특히 희귀종 예측과 해석 가능한 종 상호작용을 밝혀내는 데 탁월함을 입증했습니다.