일반화 성능 향상을 위한 가지치기: 전이 학습 기반 시공간 그래프 프레임워크

Pruning for Generalization: A Transfer-Oriented Spatiotemporal Graph Framework

그래프 구조를 갖는 영역에서의 다변량 시계열 예측은 실세계 응용에서 매우 중요하지만, 기존의 시공간 모델은 데이터 부족 및 도메인 간 차이가 발생할 때 성능 저하를 겪는 경우가 많습니다. 본 연구에서는 구조 정보를 고려한 맥락 선택의 관점에서 이러한 문제를 해결하고자 합니다. 우리는 TL-GPSTGN이라는 전이 학습 기반 시공간 프레임워크를 제안하며, 이는 비효율적인 그래프 맥락을 선택적으로 가지치워 샘플 효율성을 향상시키고, 일반화 성능을 높입니다. 구체적으로, 제안하는 방법은 정보 이론적 기준과 상관 관계 기반 기준을 활용하여 구조적으로 유용한 부분 그래프와 특징을 추출하여, 간결하고 의미론적으로 풍부한 표현을 얻습니다. 이 최적화된 맥락은 이후 시공간 컨볼루션 아키텍처에 통합되어 복잡한 다변량 동역학을 포착합니다. 대규모 교통 데이터 벤치마크를 사용한 실험 결과, TL-GPSTGN은 데이터가 부족한 전이 학습 시나리오에서 기존 모델보다 일관되게 우수한 성능을 보였습니다. 본 연구 결과는 명시적인 맥락 가지치기가 그래프 기반 예측 모델의 견고성을 향상시키는 강력한 유도 편향(inductive bias)으로 작용할 수 있음을 시사합니다.

Multivariate time series forecasting in graph-structured domains is critical for real-world applications, yet existing spatiotemporal models often suffer from performance degradation under data scarcity and cross-domain shifts. We address these challenges through the lens of structure-aware context selection. We propose TL-GPSTGN, a transfer-oriented spatiotemporal framework that enhances sample efficiency and out-of-distribution generalization by selectively pruning non-optimized graph context. Specifically, our method employs information-theoretic and correlation-based criteria to extract structurally informative subgraphs and features, resulting in a compact, semantically grounded representation. This optimized context is subsequently integrated into a spatiotemporal convolutional architecture to capture complex multivariate dynamics. Evaluations on large-scale traffic benchmarks demonstrate that TL-GPSTGN consistently outperforms baselines in low-data transfer scenarios. Our findings suggest that explicit context pruning serves as a powerful inductive bias for improving the robustness of graph-based forecasting models.