Core Concepts
본 연구는 시공간 데이터의 성능 이질성 문제를 해결하기 위해 협력적 샘플 수준 최적화 기반의 공정성 있는 시공간 그래프 학습 프레임워크를 제안한다.
Abstract
본 연구는 시공간 데이터 기반 예측 모델의 성능 이질성 문제를 해결하기 위해 FairSTG 프레임워크를 제안한다.
시공간 특징 추출기를 통해 시공간 데이터의 특징을 추출한다.
공정성 인식기를 통해 각 샘플의 학습 난이도를 파악하고 공정성 신호를 생성한다.
협력적 특징 향상 모듈을 통해 학습이 잘된 샘플의 장점을 학습이 어려운 샘플에 전달하여 성능을 향상시킨다.
공정성 기반 학습 목적함수를 통해 샘플 간 성능 격차를 최소화한다.
실험 결과, FairSTG는 기존 모델 대비 공정성을 크게 향상시키면서 예측 정확도도 유지하는 것을 확인했다.
Stats
성능 이질성이 심각한 상황에서도 기존 모델들은 전체적인 예측 정확도는 양호하지만, METR-LA 데이터셋에서 MAE 분산이 MAE의 약 14배, PEMS-BAY 데이터셋에서 약 9배에 달한다.
센서 위치에 따라 예측 성능의 편차가 크며, 동일 센서에서도 시간에 따라 예측 성능이 크게 변동된다.
Quotes
"현재 문헌에서는 전체적인 성능 향상에 초점을 맞추고 있지만, 서로 다른 샘플과 지역 간 성능 이질성은 간과하고 있다."
"성능 이질성은 실제 도시 응용 프로그램의 기능 저하와 잠재적 위험을 초래할 수 있다."