컨텍스트와 시계열 특징을 효율적으로 획득하는 REACT 프레임워크

본 논문은 의료·행동 과학 분야에서 측정 비용과 예측 정확도 사이의 균형을 맞추는 문제를 다루며, 특히 초기 온보딩 단계와 장기 추적 단계가 결합된 실제 워크플로우에 초점을 맞춘다. 기존 연구는 정적 특징 선택이나 순수 시계열 활성 특징 획득에 머물러 온보딩 비용을 무시하거나, 모든 시점에서 모든 변수를 일괄적으로 획득하는 비효율적인 접근을 사용했다. 이러한 한계를 극복하고자 저자들은 REACT(Relaxed Efficient Acquisition of Context and Temporal features)라는 새로운 프레임워크를 제안한다. **문제 정의** 데이터셋 D 는 각 샘플 i 에 대해 (s_i, x_i, y_i) 로 구성된다. 여기서 s_i ∈ ℝ^{d_s} 는 온보딩 시점에 수집 가능한 컨텍스트 변수, x_i ∈ ℝ^{T×d} 는 T개의 시간 단계에 걸친 시계열 변수, y_i 는 각 시간 단계에 대한 목표 라벨이다. 목표는 (1) 온보딩 단계에서 어떤 컨텍스트 변수를 획득할지, (2) 이후 각 시간 단계에서 언제, 어떤 시계열 변수를 획득할지를 결정하면서, 예측 손실 L_pred 과 총 비용 Cost 의 가중합을 최소화하는 것이다. 비용은 컨텍스트 비용 c_s 와 시계열 비용 c_x 를 각각의 마스크와 내적하여 정의한다. **모델 구조** REACT는 세 개의 신경망 모듈로 구성된다. 1. **Context Selector (α)**: 온보딩 시점에 컨텍스트 변수들의 이진 마스크 m_s 를 생성한다. α는 학습 가능한 로그잇 벡터이며, Gumbel‑Sigmoid 이완을 통해 미분 가능하게 만든다. 2. **Longitudinal Planner (π_θ)**: 현재까지 관측된 컨텍스트 ˜s 와 시계열 히스토리 H_t (시간 t까지 획득된 변수들) 및 현재 시점 t 를 입력으로 받아, 다음 측정 시점 t_next 과 해당 시점에서 획득할 변수 마스크 m_next 을 출력한다. 이 역시 로그잇을 Gumbel‑Sigmoid으로 이완한다. 3. **Predictor (f_φ)**: 누적된 관측 (˜s, H_t) 과 목표 시점 t' 을 입력으로 받아 클래스 확률 \hat{y}_{t'} 을 출력한다. 일반적인 시계열 예측 네트워크(예: Transformer, GRU 등)를 사용 가능하다. **학습 방법** 이산 마스크 m 을 직접 최적화할 수 없으므로, Gumbel‑Sigmoid 이완을 도입한다. 로그잇 l_j 에 Gumbel 노이즈 g_j 를 더하고 온도 τ 로 스케일링한 뒤 시그모이드 함수를 적용해 연속값 \tilde{m}_j 을 얻는다. 전방에서는 \hat{m}_j = I