Uncovering Latent Hierarchical Structures in Metapopulations via Graph Pooling

최근 개별 노드 수준의 상호작용을 학습할 수 있는 그래프 신경망 연구는 활발히 이루어져 왔으나, 개별 노드보다 거시적인 메타인구의 영향력을 반영한 연구는 부족하다. 이에 본 연구는 서울시의 개별 POI(Point-of-Interest) 단위의 사용자 이용 시계열 데이터로 이루어진 그래프 신경망 위에, 계층적 그래프 풀링 기법을 적용하여 그래프 풀링이 메타인구 관점에서 제공할 수 있는 해석력을 조명하려 한다. 연구 결과, POI 단위 시계열 그래프는 풀링 레이어를 통과하며 기능적 유사성이 드러나는 중간 단계 슈퍼노드와 복합적인 시계열 패턴이 구분되는 상위 슈퍼노드로 군집하는 양상이 드러났다. 이는 그래프 풀링이 데이터에 내재한 메타 인구의 계층적 특성을 인위적 구분 없이 재구성해 포착하는 잠재력이 있음을 시사한다. 본 연구는 그래프 풀링을 다양한 시공간 그래프의 응용 도메인 및 문제 해결에 확장할 수 있는 기반이 될 것으로 기대한다.