Heterogeneous Graph Neural Networks with Post-hoc Explanations for Multi-modal and Explainable Land Use Inference

기술 요약: 다중 모달 및 설명 가능한 토지 이용 추정을 위한 사후 설명이 가능한 이질적 그래프 신경망

문제 제기
도시 토지 이용 추정은 도시 계획 및 정책 수립에 필수적이지만, 정확도, 데이터 통합, 해석 가능성 측면에서 상당한 도전에 직면해 있습니다. 전통적인 방법들은 종종 단순화된 가정이나 조사 데이터에 의존하여 도시 환경의 복잡하고 역동적인 특성을 포착하지 못합니다. 최근 데이터 기반 접근법들은 다중 모달 이동 데이터 (예: 휴대전화 기록, GPS 궤적) 를 활용하지만, 기존 연구들은 종종 샘플을 독립적으로 처리하여 인접 객체 간의 공간적 상관관계와 다양한 교통 서비스 간의 이질성을 간과합니다. 더 나아가, 딥러닝 모델의 '블랙박스' 특성은 투명성과 장기적 의사결정을 위한 외삽 능력이 필수적인 정책 맥락에서의 채택을 저해합니다.

방법론
저자들은 설명 가능한 이질적 그래프 신경망 (HGNs) 과 사후 설명 가능한 AI(XAI) 기법을 시너지 있게 결합한 설명 가능한 프레임워크를 제안합니다. 방법론은 세 가지 주요 구성 요소로 구조화됩니다:

1. 이질적 그래프 구성:
   도시 이동 시스템은 노드가 다양한 유형의 이동 시설 (지하철역, 버스 정류장, 자전거 공유 스테이션) 을 나타내고 엣지가 공간적 연결 (도로 네트워크, 교통 노선) 을 나타내는 이질적 그래프로 모델링됩니다.

   • 노드: 특징은 Tube, Bus, Bike 세 가지 모드에 대한 일일 승객 유입 데이터 (06:00~22:00, 15 분 간격) 에서 파생됩니다.
   • 엣지: 두 가지 유형의 연결이 모델링됩니다: 교통 네트워크 엣지 (예: 지하철 노선) 와 도로 네트워크 엣지 (주요, 2 차, 주거용 등으로 분류). 서로 다른 노드 유형 간의 연결 (예: 버스 정류장과 지하철역 사이의 도보 이동) 은 도로 네트워크상의 최단 경로로 모델링됩니다.
   • 레이블: 토지 이용 강도는 각 노드 주변의 1km 반경 내 여섯 가지 관심 지점 (POI) 카테고리 (사무, 식음료, 교통, 소매, 여가, 주거) 로 정의됩니다.

2. 이질적 그래프 신경망 (HGT) 모델:
   핵심 모델은 여러 노드 및 엣지 유형을 처리하도록 설계된 이질적 그래프 트랜스포머입니다.

   • 특징 변환: 노드 특징은 특정 노드 유형에 기반하여 통합된 공간으로 투영됩니다.
   • 멀티헤드 어텐션: 멀티헤드 어텐션 메커니즘은 소스 노드에서 타겟 노드로의 메시지 표현을 계산하며, 소스 노드 유형, 타겟 노드 유형, 연결 엣지의 특정 유형을 고려합니다.
   • 집계: 정보는 어텐션 가중치를 사용하여 이웃으로부터 집계되어 노드 표현을 업데이트한 후, 완전 연결 계층을 거쳐 토지 이용 강도를 예측합니다.

3. 사후 설명 가능성:
   블랙박스 문제를 해결하기 위해 프레임워크는 두 가지 XAI 방법을 활용합니다:

   • 특징 귀속: 예측된 토지 이용에 대한 입력 특징 (예: 특정 시간대의 승객 흐름) 의 중요성을 정량화하기 위해 통합 기울기 (Integrated Gradients) 와 (기울기 $\cdot$ 입력) 를 사용합니다.
   • 반사실적 설명 (CEs): 이질적 그래프를 위해 정의된 새로운 개념으로, 예측을 현재 상태에서 바람직한 '혼합' 토지 이용 상태로 전환하기 위해 서브그래프 (노드 특징, 노드 유형, 엣지 유형 또는 구조) 에서 필요한 최소한의 변화를 식별합니다. 이는 특징, 유형, 구조적 차이를 고려한 지역 서브그래프 비유사성 지표를 계산하는 것을 포함합니다.

주요 기여

• 데이터 통합: 저자들은 다중 모달 이동 데이터 (버스, 지하철, 자전거) 와 토폴로지 네트워크 데이터를 통합한 이질적 그래프를 구축하여 도시 교통 시스템의 이질성을 포착하는 공간 표현 학습을 가능하게 합니다.
• HGNs 의 새로운 적용: 이 연구는 토지 이용 추정을 위한 이질적 그래프 네트워크의 적용을 개척하여, 특히 공간적 의존성과 노드 및 엣지의 이질성을 다룹니다. 본 연구는 HGNs 가 베이스라인 모델 (NN, GCN, GAT, GraphSage, RGCN) 보다 토지 이용 지표 전반에서 현저히 우수한 성능을 보임을 입증합니다.
• 설명 가능성 프레임워크: 이 논문은 이해관계자의 기대 (예: 통근 패턴) 에 대한 모델 행동을 검증하기 위한 특징 귀속 분석을 도입하고, 이질적 그래프에 맞춘 새로운 반사실적 설명 방법을 정의합니다. 이를 통해 계획자들은 모델이 무엇을 예측하는지뿐만 아니라, 특정 입력 수정이 어떻게 다른 이상적인 결과로 이어질 수 있는지 이해할 수 있습니다.

결과
실증 실험은 Transport for London(TfL) 과 OpenStreetMap 의 데이터를 활용하여 런던 내부와 중심부를 아우르는 데이터셋에서 수행되었습니다.

• 성능: 제안된 HGT 모델은 여섯 가지 토지 이용 지표 전반에 걸쳐 모든 베이스라인 모델보다 일관되게 우수한 성능을 보였습니다. 가장 두드러진 개선은 '식음료' (NN 대비 MAE 68.35% 개선) 와 '사무' (63.95% 개선) 에서 관찰되었습니다.
• 공간 분석: 잔차 분포 분석 결과, HGT 는 동질적 모델 (GCN) 에 비해 특정 지역의 체계적인 과대평가 또는 과소평가를 크게 감소시켜 공간적 이질성을 더 잘 처리함을 나타냈습니다.
• 어블레이션 연구: 특정 교통 모드를 제거한 실험은 증가된 연결성과 이질적 정보 (버스, 지하철, 자전거 데이터의 결합) 가 상호 보완적이며 예측 정확도, 특히 '여가'와 같은 까다로운 카테고리에 필수적임을 확인했습니다.
• 설명 가능성 발견:
  • 특징 귀속: 시간대 특징의 중요성은 알려진 인간 활동 패턴 (예: 주거 지역의 아침 유입량 증가, 사무/식음료 지역의 저녁 유입량 증가) 과 일치했습니다.
  • 반사실적: 분석 결과, '혼합' 토지 이용 상태를 달성하기 위해서는 위치에 따라 다양한 정도의 변화가 필요함이 드러났습니다. 일부 노드의 경우 노드 특징 (교통 흐름) 변경이 주요 동인이었으나, 다른 노드들의 경우 엣지 유형 (도로 위계) 또는 노드 유형 변경이 더 중요했습니다.

의의 및 주장
본 논문은 제안된 프레임워크가 도시 이해관계자들을 위한 강력하고 정확하며 투명한 도구를 제공한다고 주장합니다. 독립적인 샘플 처리를 넘어 이질적 그래프 접근법으로 이동함으로써, 모델은 복잡한 공간적 의존성과 서비스 이질성을 포착합니다. 특히, 사후 설명의 통합은 고정밀 딥러닝과 정책 수립에 필요한 투명성 사이의 간극을 메워줍니다. 저자들은 이러한 통찰력—특히 전문가 지식에 대한 모델 논리를 검증하고 토지 이용 계획을 위한 '만약에 (what-if)' 시나리오를 시뮬레이션할 수 있는 능력—이 AI 기반 도시 계획 도구에 대한 신뢰를 구축한다고 역설합니다. 이 연구는 1 홉 (1-hop) 관계의 사용과 유출 데이터에 대한 의존성과 같은 한계를 인정하며 범위가 제한적임을 인정하고, 향후 연구는 다단계 이동과 더 포괄적인 데이터 입력을 탐구해야 함을 시사합니다.