⚡ electrical engineering

Graph Distribution-valued Signals in Wasserstein Spaces: Theory and Applications

이 논문은 신호를 바서슈타인 공간(Wasserstein spaces) 내의 확률 측도로 표현하는 그래프 신호 처리의 새로운 프레임워크를 소개하며, 이를 통해 불완전한 관측, 신호 의존적 그래프 구조, 그리고 내재된 불확실성을 처리할 수 있도록 고전적인 벡터 기반 접근 방식을 일반화하고 이론적 안정성 보장을 제공하는 동시에 필터 학습 및 이상 탐지와 같은 작업에서의 실질적인 유용성을 입증한다.

원저자: Yanan Zhao, Feng Ji, Xingchao Jian, Wee Peng Tay

게시일 2026-07-23

📖 3 분 읽기☕ 가벼운 읽기

CC BY 4.0

원저자: Yanan Zhao, Feng Ji, Xingchao Jian, Wee Peng Tay

원본 논문은 CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/) 라이선스로 제공됩니다. ✨ 이것은 아래 논문에 대한 AI 생성 설명입니다. 저자가 작성하거나 승인한 것이 아닙니다. 기술적 정확성을 위해서는 원본 논문을 참조하세요. 전체 면책 조항 읽기

수백 명의 사람들이 동시에 대화하고, 춤추고, 소리 지르는 거대하고 혼란스러운 파티를 이해하려고 노력한다고 상상해 보십시오. 데이터 과학의 세계에서 이 파티는 '네트워크' 또는 '그래프'라고 불리며, 여기서 모든 사람은 '노드'이고 모든 대화는 '연결'입니다. 수년 동안 과학자들은 그래프 신호 처리(Graph Signal Processing, GSP)라는 방법을 사용하여 이 파티를 분석하려고 시도해 왔습니다. 전통적인 GSP를 단 하나의 완벽한 순간을 포착한 파티 사진이라고 생각해보십시오. 이 사진 속에서 당신은 모든 사람이 정확히 무엇을 말하고 있는지, 그리고 누가 누구 옆에 서 있는지 정확히 알 수 있습니다. 그것은 깨끗하게 얼어붙은 스냅샷입니다.

하지만 현실 세계는 무질서합니다. 때로는 사람들이 사진에서 사라지기도 하고(예를 들어, 음료를 마시러 잠시 나갔을 때), 때로는 카메라가 흔들려 연결 관계가 흐릿해지기도 하며, 음악 소리가 커짐에 따라 '누가 누구와 대화하는지'가 변하기도 합니다. 전통적인 방식은 완벽하고 완전한 스냅샷을 요구하기 때문에 이런 상황에서 어려움을 겪습니다. 단 몇 명의 사람만 빠져도 그 사진은 쓸모없게 됩니다. 이 논문은 이러한 무질서한 현실 속으로 뛰어듭니다. 이 논문은 다음과 같은 질문을 던집니다. 만약 우리가 특정 한 순간의 완벽한 사진을 찍으려 노력하는 대신, 파티의 '전체적인 분위기'를 묘사한다면 어떨까? 우리가 개별적인 스냅샷을 보는 것을 멈추고, 파티가 어떤 모습일지에 대한 '가능성의 구름'을 보기 시작한다면 어떨까? 이것이 핵심 아이디어입니다. 즉, 경직된 단일 지점 데이터에서 벗어나, 누락된 부분과 변화하는 규칙들을 처리할 수 있는 유연하고 확률 기반인 묘사로 이동하는 것입니다.

이 논문의 저자인 야난 자오(Yanan Zhao)와 동료들은 '그래프 분포값 신호(Graph Distribution-valued Signals, GDS)'라는 새로운 프레임워크를 소개합니다. 데이터를 하나의 고정된 숫자 리스트(벡터)로 취급하는 대신, 그들은 데이터를 가능성들의 '구름' 또는 '분포'로 취급합니다. 전통적인 신호를 지도 위의 특정 지점을 가리키는 하나의 날카로운 화살이라고 상상해 보십시오. 새로운 GDS 방식은 이 신호를 데이터가 어디에 있는지뿐만 아니라, 어디에 있을 수도 있는지, 그리고 그곳에 있을 확률이 얼마나 높은지를 보여주는 넓고 흐릿하게 빛나는 구름으로 취급합니다. 그들은 이를 위해 '바세슈타인 공간(Wasserstein space)'이라는 수학적 놀이터를 사용하는데, 이는 본질적으로 하나의 데이터 구름을 다른 형태의 구름으로 옮기는 데 필요한 '작업량'을 측정하는 방법입니다.

여기에는 마법 같은 기술이 있습니다. 저자들은 자신들의 새로운 '구름' 방식이 기존의 '화살' 방식을 특수한 경우로 포함하는 매우 강력한 업그레이드임을 보여줍니다. 만약 데이터가 완벽하게 확실하고 완전하다면, '구름'은 하나의 날카로운 점으로 축소되어 익숙한 기존의 결과를 다시 얻게 됩니다. 하지만 데이터가 무질서하거나, 누락되거나, 변할 때는 구름이 확장되어 그 불확실성을 포착합니다. 또한 그들은 파티의 '지도(그래프 구조)' 역시 항상 고정되어 있는 것은 아니라는 점을 깨달았습니다. 때때로 사람들 사이의 연결은 그들이 무엇을 말하느냐에 따라 달라집니다. 그래서 그들은 데이터에 따라 지도 자체가 꿈틀거리며 변할 수 있는 '신호 적응형 그래프 구조(Signal-Adaptive Graph Structure)'를 만들었습니다. 마치 댄스 플로어가 연주되는 노래에 따라 스스로 재배치되는 것처럼 말입니다.

이것이 작동함을 증명하기 위해, 팀은 실험을 수행했습니다. 첫째, 그들은 58개 카운티의 코로나19 사례 추세를 예측하는 실험을 진행했습니다. 현실 세계에서는 일부 카운티가 특정 날짜에 보고를 누락하기도 합니다. 모든 숫자가 완벽한 리스트로 갖춰져야 하는 기존 방식은 데이터가 누락되거나 순서가 뒤섞였을 때 제대로 작동하지 못하고 무너졌습니다. 그러나 새로운 GDS 방식은 매끄럽게 작동했습니다. 이 방식은 완벽한 리스트를 필요로 하지 않았습니다. 대신 데이터 '구름'의 전반적인 패턴을 살펴보고, 보고가 20% 누락된 상황에서도 다음 날의 수치를 예측하는 법을 학습했습니다.

둘째, 그들은 뇌파 신호에서 나타나는 '이상 징징(anomalies)' 또는 기이한 행동을 탐지하는 데 이 시스템을 테스트했습니다. 그들은 뇌파의 고주파 '노이즈'를 살펴보았습니다. 단순히 단일 숫자가 너무 높은지를 체크하는 대신, 새로운 방식은 그 숫자들의 분포가 가진 전체적인 형태를 관찰했습니다. 결과적으로, 이 구름 기반 접근 방식은 적은 양의 샘 샘플만 가지고도 정상적인 뇌 상태와 발작의 차이를 훨씬 더 잘 포착해 냈습니다.

요약하자면, 이 논문은 데이터를 경직되고 고정된 리스트가 아닌 유연하고 확률적인 구름으로 취급함으로써, 누락된 정보, 타이밍 오류, 그리고 변화하는 환경에 훨씬 더 강한 시스템을 구축할 수 있음을 시사합니다. 이 논문이 세상의 모든 문제를 해결했다고 주장하는 것은 아니지만, 데이터가 교과서 속의 깨끗하고 완벽한 세계가 아닌, 실제 세상의 무질서하고 불완전한 현실 속에서도 그래프 신호 처리가 작동할 수 있게 만드는 강력한 새로운 렌즈를 제공합니다.

기술 요약: 바서슈타인 공간에서의 그래프 분포값 신호 (Graph Distribution-valued Signals)

1. 문제 정의

고전적인 그래프 신호 처리(GSP)는 그래프 정점(vertex)에 의해 인덱싱된 벡터로서 신호를 표현하며, 그래프 푸리에 변환(GFT) 및 그래프 필터와 같은 선형 연산자에 의존한다. 이러한 방식은 효과적이지만, 실제 응용 분야에서 다음과 같은 세 가지 결정적인 한계에 직면한다:

완전한 관측에 대한 가정: 고전적 GSP는 GFT와 같은 연산자를 적용하기 위해 모든 노드에 걸친 동기화된 완전한 데이터를 요구한다. 실제 환경에서는 데이터 수집이 비동기적이거나 불완전할 수 있으며(예: 센서 보고 누락), 이 경우 표준 벡터 기반 방법은 적용이 불가능하거나 편향된 임퓨테이션(imputation)을 요구하게 된다.
엄격한 신호 대응 관계의 요구: 통계적 GSP 방법들은 일반적으로 쌍을 이루는 입력-출력 벡터 샘플 $\{(x_i, y_i)\}$ 로부터 필터를 학습한다. 이는 엄격한 일대일 시간적 대응 관계를 강요한다. 실제 데이터는 시간적 이동(temporal shifts), 중첩 또는 셔플링(shuffling)으로 인해 이러한 정렬이 깨지는 경우가 많다.
결정론적 토폴로지에 대한 가정: 고전적 GSP는 고정되고 알려진 그래프 토폴로지(예: 특정 인접 행렬)를 가정한다. 그러나 많은 시스템에서 그래프 구조는 불확실하거나, 부분적으로 관측되거나, 혹은 신호의 실현(realization) 자체에 본질적으로 의존적이다.

기존의 통계적 GSP 접근 방식은 무작위성을 확률 변수로 다루기는 하지만, 여전히 벡터 샘플 위에서 작동하므로 이러한 구조적 및 관측적 불확실성을 완전히 해결하지 못한다.

2. 방법론

저자들은 그래프 신호를 벡터가 아닌, 바서슈타인 공간(Wasserstein space, $\mathcal{P}_p(\mathbb{R}^N)$ )에 존재하는 **확률 측도(probability measure)**인 **그래프 분포값 신호(GDS)**로 모델링하는 통합 프레임워크를 제안한다.

핵심 개념

그래프 분포값 신호 (GDS): 신호는 보렐 확률 측도 $\mu \in \mathcal{P}_p(\mathbb{R}^N)$ 로 정의된다. 전통적인 벡터 신호 $x$ 는 $\mu = \delta_x$ (디락 델타 측도)인 특수한 경우로 회복된다.
신호 적응형 그래프 구조 (SAGS): 이 프레임워크는 고정된 그래프 토폴로지를 신호 $x$ 에 조건화된 확률 변수로 모델링함으로써 그래프 $G$ 를 일반화한다. 형식적으로, 신호 $x$ 에 대해 그래프 구조는 조건부 분포 $\nu_x$ 를 따른다. 이는 신호 의존적인 연결 패턴을 포착한다.
바서슈타인 거리 (Wasserstein Distance): 이 프레임워크는 신호 분포 간의 차이를 측정하기 위해 $p$ -바서슈타인 거리( $W_p$ )를 활용하며, 이는 평균 이동뿐만 아니라 공분산 및 구조적 변화를 모두 고려하는 메트릭을 제공한다.

일반화된 연산

본 논문은 푸시포워드 측도(pushforward measures)를 통해 고전적 GSP 개념을 GDS 아날로그로 매핑하는 체계적인 딕셔너리를 구축한다:

GDS 푸리에 변환 (GDS-FT): 그래프 푸리에 기저 행렬 $U_G^\top$ 를 통한 신호 분포 $\mu$ 의 푸시포워드로 정의된다. 신호와 그래프의 결합 분포에 대해, 이 변환은 그래프 토폴로지의 불확실성을 고려한다.
GDS 컨볼루션 필터: 필터 $F_G$ (일반적으로 그래프 이동 연산자의 다항식)는 푸시포워드 맵 $(F_G)_*\mu$ 를 통해 분포 $\mu$ 에 작용한다. 이 연산은 정점 도메인에서의 분포를 변환하여 스펙트럼 도메인으로 보내고, 형태를 재구성한 뒤 다시 역변환한다.
일반화된 변환: SAGS 설정에 대한 일반화된 변환을 정의하며, 여기서 출력 분포는 신호와 신호 의존적 그래프의 결합 분포로부터 유도된다.

이론적 보장

저자들은 이러한 일반화된 변환에 대한 분석적 성질을 확립한다:

연속성 (Continuity): 변환들이 컴팩트 신호 도메인에서 균등 연속(uniformly continuous)임을 입증하였으며, 유도된 변환 분포에 대한 리프시츠(Lipschitz) 조건 하에서 점별 연속(pointwise continuous)임을 보여준다.
안정성 (Stability): 이러한 연속성 결과는 입력 분포의 작은 섭동(노이즈, 분포 변화 또는 유한 샘플 근사로 인한 것)이 출력의 통제된 섭동으로 이어진다는 것을 보장하며, 이는 학습 및 추론의 견고성을 보장한다.

응용 알고리즘

프레임워크를 시연하기 위해 두 가지 구체적인 응용 사례를 개발하였다:

그래프 필터 학습: 목표는 입력 분포 $\mu_\theta$ $μ_{θ}$ 를 타겟 분포 $\mu^\star$ $μ^{⋆}$ 로 전송하는 필터 $F_G$ $F_{G}$ 를 학습하는 것이다. 저자들은 두 가지 파라미터화된 접근 방식을 제안한다:
- 코퓰라 기반 (Copula-based): 마진(marginal)들을 가우시안 코퓰라로 결합하여 결합 분포를 모델링하며, 이를 통해 결측 데이터가 있는 상황에서도 유연한 의존성 모델링을 허용한다.
- GMM 기반 (GMM-based): 결합 분포를 가우시안 혼합 모델(GMM)로 표현하며, 계산 가능한 최적화를 위해 혼합 바서슈타인 거리( $MW_2$ )를 활용한다.
이상 탐지 (Anomaly Detection): 스칼라 통계량(예: 고주파 계수의 최댓값)의 임계값을 설정하는 대신, 고주파 스펙트럼 특징의 경험적 분포를 특징짓는다. 이상치는 테스트 배치의 분포와 정상 데이터로부터 추정된 참조 분포 사이의 불일치(예: $MW_2$ 또는 피크 위치 거리 사용)를 측정하여 탐지된다.

3. 주요 기여

통합 프레임워크: 신호가 바서슈타인 공간의 확률 측도이고 그래프 토폴로지가 신호 적응형 분포인 GSP 프레임워크를 개발하여, 고전적인 벡터 기반 GSP를 엄격하게 일반화하였다.
체계적 대응 관계: 핵심 GSP 연산(푸리에 변환, 필터링, 컨볼루션)을 분포 수준의 대응물로 매핑하는 딕셔너리를 공식화하여, 고전적 형식을 특수 사례로 보여주었다.
안정성 이론: 일반화된 GDS 변환에 대한 연속성 결과를 확립하여, 입력 섭동 및 분포 근사에 대한 이론적 안정성 보장을 제공하였다.
경험적 검증: 그래프 필터 학습 및 이상 탐지에서 프레임워크의 효용성을 입증하여, 불완전하고 정렬되지 않은 관측 상황에서 최신 벡터 기반 방법들보다 우수한 성능을 보여주었다.

4. 실험 결과

저자들은 두 가지 데이터셋을 사용하여 프레임워크를 검증하였다:

COVID-19 데이터 (필터 학습): 58개 카운티의 일일 확진자 수를 사용하여, 제안된 GDS 방법(GDS-Cop 및 GDS-GMM)을 최소제곱법(LS), 정규화된 LS(Regularized LS), 그리고 공분산 매칭(Covariance-Matching) 그래프 필터링과 비교하였다.
- 결측 데이터에 대한 견고성: 노드당 20%의 결측률이 발생했을 때, 고전적 방법들(GSP-LS, GSP-RLS)은 성능이 크게 저하되었다. 반면 GDS 방법들은 분포를 모델링하기 때문에 벡터를 필요로 하지 않아 견고함을 유지했다.
- 셔플링에 대한 견고성: 훈련 데이터가 시간적으로 셔플링되었을 때, 엄격한 시간적 정렬에 의존하는 고전적 방법들은 실패하였다. GDS 방법들은 특정 샘플 쌍이 아닌 분포적 특성으로부터 학습하기 때문에 안정성을 유지했다.
- 윈도우 크기: GDS 방법들은 분포 추정을 위한 충분한 샘플이 존재하는 더 큰 시간 윈도우에서 베이스라인보다 우수한 성능을 보였다. 그러나 매우 작은 윈도우(2~4일)에서는 분포를 정확히 추정하기 어렵기 때문에 GDS 방법이 오히려 저조한 성능을 보였다.
뇌 ECoG 데이터 (이상 탐지): 발작 전(정상) 및 발작 중(비정상) 데이터를 사용하여, GDS 기반 이상 탐지기(피크 위치 및 혼합 바서슈타인 거리 사용)를 GFT 기반, 총 변동(Total Variation, TV), 그리고 변분 오토인코더(ELBO) 베이스라인과 비교하였다.
- 성능: GDS 방법은 모든 테스트 배치 크기에서 가장 높은 정확도를 달ien하였다.
- 샘플 효율성: GDS 방법은 작은 배치 크기에서도 높은 정확도를 유지한 반면, 포인트 단위 베이스라인(GSP-GFT)은 낮은 정확도에서 정체되었고, 다른 방법들(GSP-TV, ELBO)은 GDS 성능에 도달하기 위해 훨씬 더 많은 샘플이 필요했다.

5. 의의 및 주장

본 논문은 GDS 프레임워크가 그래프 신호와 토폴로지 모두의 불확실성과 확률성을 다루는 원칙적인 접근 방식을 제공한다고 주장한다. 바서슈타인 공간으로의 전환을 통해, 이 프레임워크는 다음과 같은 이점을 가진다:

데이터 요구사항 완화: 동기화된 완전한 관측과 엄격한 시간적 정렬의 필요성을 제거하여, 결측치나 불규칙한 데이터가 존재하는 실제 시나리오에 적합하게 만든다.
풍부한 구조 포착: 그래프 토폴로지의 불확실성과 신호 상관관계를 단순한 노이즈로 취급하거나 고정된 가정을 강요하는 대신, 신호 표현 안에 직접 인코딩한다.
기존 이론의 일반화: 고전적 GSP를 디랙 측량(Dirac measures)이라는 특수 사례로 엄격하게 포함함으로써, 하위 호환성을 유지하면서도 능력을 확장한다.

저자들은 이러한 유연성이 트레이드오프를 동반한다고 언급한다. 즉, 프레임워크는 기저 분포를 정확하게 추정하기 위한 충분한 데이터가 필요하다. 저샘플 환경에서는 고전적인 벡터 기반 방법이 여전히 선호될 수 있다. 그러나 상당한 결측, 샘플링 가변성 또는 신호 의존적 구조가 포함된 응용 분야에서는 GDS 프레임워크가 더 유연하고 견고한 대안을 제공한다.