연구 내용 및 목표

자원 제약이 있는 Edge 환경에서 센서 간 유사성 기반 Community Detection을 통해 그룹 모델을 ONNX로 경량 배포하고, 각 Peer 센서에서 경량 후처리 adaptor를 활용하여 예측 성능을 보정하는 구조를 제안한다.

• Modeling Time-series to Graph
  • 센서 시계열로 구성된 다변량 시계열 데이터셋을 그래프로 모델링
• Community Detection
  • 강력한 상관성을 가지는 시계열을 Grouping
• Community Model
  • 해당 Group을 대표하는 시계열을 추출, 샘플링하여 시계열 예측 모델 학습
• Light-weight Adaptor
  • 각 시계열 대표 모델에서 손실된 개별 시계열의 특징 정보를 반영하기위해 Edge 단에서 센서마다 경량화된 Adaptor를 적용하여 예측 성능 보정

주요 공헌

• Community-based Forecasting Framework
  • 센서 시계열 환경을 위한 Community 기반 예측 구조 제안
  • 서로 다른 센서 수 및 종류를 가진 환경에서, 센서 간 유사성을 기반으로 그래프 모델링 및 Community Detection 수행
  • 동일 Community에 속한 센서들이 공유할 수 있는 그룹 단위 예측 모델을 학습하고 ONNX로 경량화하여 Edge에 배포
• Lightweight Test-Time Adaptation (TTA) 기법 제안
  • ONNX 모델의 정밀도를 보완하기 위해, ONNX 모델은 고정된 상태로 유지하되, 예측 결과를 후처리하는 경량 Adaptor를 센서 단위로 설계
  • Adaptor는 입력 전처리 방식(Input-side)과 출력 후처리 방식(Output-side)을 모두 고려하여 설계

실험 구성

• 실험 환경
  • Raspberry Pi 4 / AWS EC2 / On-Premise Server
• 데이터셋: 센서 시계열 데이터
• 비교 대상:
  • Full sensor-specific 모델 (baseline)
  • Group-only 모델 (TTA 미적용)
  • Group + TTA 적용 (본 연구)
• 지표: RMSE, MAE, R², 학습 소요 시간, 전체 모델 크기(MB), 통신 비용(MB)

인턴의 역할

역할 수준: 실험 파트를 주도적으로 설계하고 구현하며, 박사과정 연구원의 지도 하에 논문 co-author로 참여

• Adaptor 구조 구현
  • 센서별 예측 성능 보정을 위한 경량 Adaptor 모듈 설계 및 구현
  • ONNX 모델 앞단(feature-level) 및 뒷단(output-level) adaptor 모두 구현하여 비교 가능하도록 구성