동적 그래프를 활용한 전장 상황 예측 시 Event 병렬처리 강화를 위한 동적 배치 생성 기법
Dynamic batch generation for improving event parallelism processing in Dynamic Graph-based common operating picture prediction
- 주제(키워드) Dynamic Graphs , Temporal Graph Neural Networks , Dynamic Batch generation , Dependency , Adaptive Threshold
- 주제(DDC) 355
- 발행기관 아주대학교 일반대학원
- 지도교수 오상윤
- 발행년도 2026
- 학위수여년월 2026. 2
- 학위명 석사
- 학과 및 전공 일반대학원 국방디지털융합학과
- 실제URI http://www.dcollection.net/handler/ajou/000000035573
- 본문언어 한국어
- 저작권 아주대학교 논문은 저작권에 의해 보호받습니다.
초록/요약
현대전의 전장 상황과 같이 개체 간 관계나 상호작용이 변화하는 시스템을 모델링하기 위해 시간 차원의 정보를 포함하는 T-GNN(Temporal Graph Neural Network)에 대한 연구가 활발히 진행되고 있다. T-GNN은 Event의 발 생 순서를 엄격히 준수하는 순차적 학습(Sequential Training)을 통해 동적 그 래프(Dynamic Graph)의 시간적 변화를 정확히 추적할 수 있다. 하지만 이는 GPU의 병렬 연산 능력을 충분히 활용하지 못해 학습 효율이 떨어진다. 이를 해결하기 위해 Batch 단위의 Event 병렬 학습이 도입되었지만, Batch 내부에 서 Event의 순차성이 고려되지 않아 임베딩 왜곡이 발생할 수 있으며, 이는 Model의 추론 및 예측의 정확도 저하를 유발할 수 있다. 즉, Batch 단위의 병 렬 학습에서는 학습 속도와 정확도 사이에 Trade-off 관계가 존재한다. 본 논문에서는 Batch 단위의 병렬 학습에서 발생하는 임베딩의 왜곡을 학습 에 필요한 정보가 결여된 정보 손실 상태로 정의하고, 과거 정보가 현재 임베 딩 생성에 미치는 영향력을 종속성으로 정의한다. 이러한 정의를 바탕으로 종 속성 기반 동적 Batch 생성 기법인 EUNHA(Evaluation of Underlying Network dependency through Heuristic measurement for Adaptive dynamic batch generation in Temporal GNNs)를 제안한다. EUNHA는 정보 손실을 정량화하기 위해 이웃의 다양성 및 관계성을 측정하 는 구조적 종속성과 과거 정보의 영향력 및 Staleness를 측정하는 시간적 종속 성을 결합한 Metric을 도입하였다. 또한, Event data의 특성에 따라 Batch 생 성을 제어하는 적응형 임계치를 설계하여 전처리나 profiling 없이 Batch가 구 성되도록 하였다. 뿐만 아니라 Renewal Theory를 통해 학습의 안정성을 저해 할 수 있는 극단적으로 크거나 작은 크기의 Batch가 생성될 확률이 희박함을 분석하였다. 다양한 환경에서 실험한 결과 EUNHA는 기존 기법과 동등한 학습 속도를 유지하면서 정확도를 향상시키거나 유사한 수준을 유지할 수 있음을 확인하였 다. 특히, Event의 반복 비율이 높고 Event의 발생이 구조적으로 분산된 환경 에서 뚜렷한 정확도 향상을 보였다. 학습 효율 측면에서는 고정 크기의 Batch 를 생성하는 기법 대비 약 2배 크기의 Batch를 사용하여도 동등한 수준의 정확 도를 유지함을 보였고, 총 학습 시간은 최대 30.4%를 단축하였다. 주제어: Dynamic Graphs, Temporal Graph Neural Networks, Dynamic Batch generation, Dependency, Adaptive Threshold
more목차
제 1 장 서론 1
제 2 장 배경 5
제 1 절 임베딩 생성 과정 5
제 2 절 종속성의 정의 6
제 3 절 정보 손실의 개념 7
제 3 장 관련연구 10
제 1 절 고정 크기 Batch 생성 기법 10
제 2 절 동적 크기 Batch 생성 기법 11
제 4 장 EUNHA 13
제 1 절 Event-level Scoring 14
1. 정보 손실의 양 15
2. 구조적 종속성 16
3. 시간적 종속성 19
4. Event-level Dependency Score 21
제 2 절 Batch 분할을 위한 적응형 임계치 설정 22
제 3 절 이론적 분석 24
1. Batch 크기 분포 분석 24
2. EUNHA의 Computational overhead 28
3. Memory overhead 29
제 5 장 성능평가 31
제 1 절 실험 환경 및 설계 31
1. 실험 환경 31
2. Dataset 31
3. Baseline 32
4. 학습 설정 및 평가 지표 32
제 2 절 성능 평가 33
1. Accuracy 33
2. 학습 속도 36
제 3 절 Overhead 및 Batch 크기 안정성 37
1. Batch 생성 Overhead 37
2. Batch 크기의 안정성 40
제 6 장 결론 41
참 고 문 헌 42
Abstract 48
