제어된 교통량 추론을 위한 공간-시간 피드백 확산 가이드 방법

Spatial-Temporal Feedback Diffusion Guidance for Controlled Traffic Imputation

지능형 교통 시스템에서 공간-시간 교통 데이터의 누락된 값을 추론하는 것은 필수적입니다. 고급 추론 방법 중, 점수 기반 확산 모델은 뛰어난 성능을 보여주었습니다. 이러한 모델은 관측된 값을 조건으로 사용하여 노이즈 제거 과정을 역전시켜 데이터를 생성합니다. 그러나 기존의 확산 모델은 일반적으로 공간 및 시간 차원을 모두 통틀어 동일한 가이드 스케일을 적용하는데, 이는 누락된 데이터 비율이 높은 노드에서는 적절하지 않습니다. 희소한 관측값은 충분한 조건부 가이드를 제공하지 못하여, 생성 과정이 학습된 사전 분포로 편향되어 조건부 관측값을 정확하게 반영하지 못하고, 이는 최적 이하의 추론 성능을 초래합니다. 이러한 문제를 해결하기 위해, 우리는 추론 과정에서 가이드 스케일을 적응적으로 제어하도록 설계된 공간-시간 피드백 확산 가이드 방법인 FENCE를 제안합니다. 첫째, FENCE는 사후 가능성 근사값을 기반으로 가이드 스케일을 조정하는 동적 피드백 메커니즘을 도입합니다. 생성된 값이 관측값과 어긋날 경우 가이드 스케일을 높이고, 정렬이 개선될 경우 가이드 스케일을 낮춰 과도한 보정을 방지합니다. 둘째, 관측값과의 정렬 정도는 노드 및 노이즈 제거 단계에 따라 다르므로, 모든 노드에 대한 전역적인 가이드 스케일은 최적이 아닙니다. FENCE는 노드의 어텐션 점수를 기준으로 노드를 그룹화하여 클러스터 수준에서 가이드 스케일을 계산하고, 공간-시간 상관관계를 활용하여 보다 정확한 가이드를 제공합니다. 실제 교통 데이터셋에 대한 실험 결과, FENCE는 추론 정확도를 크게 향상시키는 것으로 나타났습니다.

Imputing missing values in spatial-temporal traffic data is essential for intelligent transportation systems. Among advanced imputation methods, score-based diffusion models have demonstrated competitive performance. These models generate data by reversing a noising process, using observed values as conditional guidance. However, existing diffusion models typically apply a uniform guidance scale across both spatial and temporal dimensions, which is inadequate for nodes with high missing data rates. Sparse observations provide insufficient conditional guidance, causing the generative process to drift toward the learned prior distribution rather than closely following the conditional observations, resulting in suboptimal imputation performance. To address this, we propose FENCE, a spatial-temporal feedback diffusion guidance method designed to adaptively control guidance scales during imputation. First, FENCE introduces a dynamic feedback mechanism that adjusts the guidance scale based on the posterior likelihood approximations. The guidance scale is increased when generated values diverge from observations and reduced when alignment improves, preventing overcorrection. Second, because alignment to observations varies across nodes and denoising steps, a global guidance scale for all nodes is suboptimal. FENCE computes guidance scales at the cluster level by grouping nodes based on their attention scores, leveraging spatial-temporal correlations to provide more accurate guidance. Experimental results on real-world traffic datasets show that FENCE significantly enhances imputation accuracy.