무선 접속망(RAN)과 같은 대규모 통신 인프라는 현대 디지털 산업의 핵심 요소로, 인프라 지능화 및 운영 신뢰성 확보를 위해 기지국 간 알람 상호 영향 이해가 필수적입니다. 기존 알람 분석 방식은 개별 사이트의 고립된 시간 패턴에 집중하여 인프라 수준의 사이트 간 알람 영향 메커니즘을 간과하는 한계가 있었습니다.
본 논문은 이러한 격차를 해소하고자 명시적인 물리적 또는 논리적 토폴로지 정보 없이 알람 영향 경로를 추론하는 동시 발생 및 시간 인식 그래프 어텐션 네트워크(COTA-GAT)를 제안합니다. COTA-GAT는 알람 동시 발생 패턴으로부터 방향성 영향 그래프를 구축하고, 시간 감쇠 가중치를 통합하여 사이트 간 알람 상호작용의 반복 강도와 시간적 근접성을 모두 표현합니다. 이후 두 개의 시간 인식 그래프 어텐션 레이어를 활용해 노드 수준 특징과 시간 감쇠 가중치 에지를 공동으로 고려하여 지연 민감 노드 임베딩을 학습하며, 링크 예측 디코더를 통해 잠재적 알람 영향 경로를 추정합니다.
독립적으로 생성된 고장 전파 정답을 포함하는 Network Simulator-3 LTE RAN 시뮬레이션을 통해 제안 모델의 전파 에지 유효성을 검증했습니다. 대규모 실제 통신 알람 데이터셋에 대한 실험 결과, COTA-GAT는 대부분의 그래프 기반 기준 모델들을 능가하며 해석 가능한 토폴로지 독립적 영향 그래프를 제공함을 입증했습니다. 하루 동안의 전파 창을 고려했을 때, COTA-GAT는 수신자 조작 특성 곡선(ROC) 아래 면적(AUC) 0.9109, 평균 정밀도(AP) 0.9235의 성능을 달성했습니다.
제안된 프레임워크는 기반 네트워크 토폴로지 정보가 없는 상황에서도 대규모 통신 네트워크의 사전 예방적 신뢰성 관리를 위한 새로운 데이터 기반 토대를 제공합니다.
레이저 적층 제조용 고성능 합금 설계에 있어 기계 학습은 유망하지만, 기존 방식은 대규모 고품질 데이터셋 의존으로 과적합 및 비합리적인 설계 결과를 초래하는 한계가 있었습니다. 본 연구는 이러한 한계를 극복하고자, 지식 기반 그래프 모델링과 데이터 불확실성 정량화를 통합하여 소규모 실험 데이터셋으로도 작동 가능한 범용 프레임워크를 제안합니다.
제안된 프레임워크는 물리 야금학적 지식과 생산된 재료의 실험적 결함 분포에서 발생하는 확률론적 특성을 합리적으로 균형 있게 고려합니다. 이를 통해 데이터셋의 크기나 품질에 대한 의존도를 낮추면서도 신뢰성 높은 합금 설계가 가능합니다.
접근 방식의 유효성을 검증하기 위해, 우수한 레이저 프린팅 가능성, 열 안정성 및 높은 기계적 강도를 지닌 새로운 무결함 Ni 초합금을 개발했습니다. 메커니즘 분석을 통해 성능의 잠재적 원인을 규명했으며, 이는 원자 탐침 단층 촬영으로 확인되었습니다. 나아가 동일한 접근법으로 새로운 레이저 프린팅 가능 알루미늄 합금도 개발했습니다.
본 연구에서 개발된 프레임워크는 적층 제조를 위한 차세대 합금 설계를 가속화할 잠재력을 보여줍니다. 소규모 데이터셋으로도 고성능 무결함 합금 개발을 가능하게 함으로써, 재료 과학 및 공학 분야에서 혁신적인 설계 패러다임을 제시합니다.
동적이고 인버터 중심의 전력 시스템에서 실시간 계통 모니터링, 비상 분석 및 의사결정 지원을 위해서는 정확하고 확장 가능한 교류 전력 흐름(AC power flow) 대리 모델이 필수적입니다. 그러나 기존 대리 모델들은 메시형 송전망의 장거리 비선형 의존성을 포착하는 능력과 물리 법칙 준수 측면에서 한계를 보이며, 토폴로지 변화나 부하 변동에 대한 일반화 성능이 부족하고 불확실성 정량화 및 확장성이 미흡합니다.
본 논문은 이러한 문제 해결을 위해 토폴로지 불확실성 하의 AC 전력 흐름 추정을 위한 게이티드 그래프 신경망(GGNN) 대리 모델을 제안합니다. 다양한 크기 및 복잡도의 IEEE 벤치마크 네트워크에 대해 무작위 선로 고장과 최대 40%의 부하 변동을 포함하여 모델을 훈련시켰습니다. 강건성과 일반화 성능 향상을 위해 기존의 지도 학습과 물리 정보 기반 자기 지도 학습 전략을 모두 탐색했습니다.
비교 평가 결과, 제안된 GGNN은 기존 GNN 기반 대리 모델들을 일관되게 능가하며, Newton-Raphson 해법과 매우 유사한 예측 결과를 달성했습니다. 모델 아키텍처와 손실 함수에 운영 제약 조건을 직접 반영함으로써 물리적 일관성을 보장합니다.
이 모델은 실시간 계통 운영을 위한 경량, 고정확도, 확장 가능한 도구를 제공하며, 동적 전력 시스템의 안정적이고 효율적인 운영에 기여할 수 있습니다.
그래프 트랜스포머는 그래프 구조 데이터 처리를 위한 새로운 신경망 모델로, 트랜스포머와 그래프 학습의 시너지를 통해 다양한 그래프 관련 태스크에서 뛰어난 성능을 보인다. 본 조사는 그래프 트랜스포머 연구의 최근 발전과 당면 과제를 심층적으로 검토한다.
이 연구는 그래프 및 트랜스포머의 기본 개념부터 시작하여, 그래프 귀납 편향과 그래프 어텐션 메커니즘을 트랜스포머 아키텍처에 통합하는 설계 관점을 탐구한다. 또한, 깊이, 확장성, 사전 학습 전략을 기준으로 그래프 트랜스포머를 분류하는 분류 체계를 제안하고, 효과적인 모델 개발을 위한 핵심 원칙을 요약한다.
기술 분석을 넘어 노드, 엣지, 그래프 수준 태스크에서의 응용 가능성을 논의하고, 다른 응용 시나리오에서의 잠재력도 탐색한다. 마지막으로, 확장성 및 효율성, 일반화 및 견고성, 해석 가능성, 동적 및 복잡 그래프 처리, 데이터 품질 및 다양성 등 분야의 남은 과제를 식별하고 향후 연구 방향을 제시한다.
정보 확산을 극대화할 수 있는 영향력 있는 노드를 식별하는 것은 소셜 네트워크 분석의 근본적인 문제인 영향력 최대화(Influence Maximization)에 해당합니다. 기존의 확산 모델 기반, 탐욕 및 휴리스틱 알고리즘은 계산 비용이 높거나 네트워크 구조를 제대로 인식하지 못하는 한계가 있으며, 특히 대규모 네트워크에서 이러한 단점이 두드러집니다.
본 연구는 이러한 문제점을 극복하기 위해 그래프 신경망(GNN)과 개미 군집 최적화(ACO)를 결합한 하이브리드 아키텍처를 제안합니다. GNN은 노드 수준에서 영향력 표현을 학습하여 네트워크의 지역적 및 고차 구조적 의존성을 공동으로 모델링합니다. ACO는 이렇게 학습된 표현을 활용하여 중복되지 않고 다양한 시드 집합을 구성합니다.
선택된 시드 집합은 독립 캐스케이드 확산 모델을 기반으로 테스트되었으며, 영향력 확산 범위가 주요 성능 측정 지표로 사용되었습니다. 실제 소셜 네트워크 데이터에 대한 실험 결과, 제안된 GNN-ACO 프레임워크는 기존 기준선 방법들보다 확산 영향력 측면에서 지속적으로 우수함을 보였습니다.
또한, 다양한 시드 집합 크기에서도 비교적 효율적인 계산 성능을 나타냈습니다. 이러한 발견은 최적화 기반 시드 선택 전략과 표현 학습을 활용하여 영향력 최대화 문제를 효과적으로 해결할 수 있음을 입증합니다.
