LLM 기반 학습 없는 위치/속성 결합: 암호화된 지리 데이터 처리 방법

본 연구는 두 개의 암호화된 좌표계에서 얻은 이중 출처 관심지점(DSEP)이 가진 위치 및 속성의 복잡한 불확실성을 해결하는 데 초점을 맞춥니다. 기존의 DSEP 데이터는 비선형적인 체계적 오정렬과 명명 불일치 등의 문제를 겪으며, 이는 토지 이용/토지 피복(LULC) 매핑을 어렵게 만드는 요인이었습니다. 이에 연구진은 LLM 기반의 학습 과정이 필요 없는(training-free) 위치-속성 시너지 폐쇄 루프 최적화 패러다임을 최초로 제안했습니다.

제시된 방법론은 반복적인 피드백을 통해 위치 변환과 속성 대응 관계를 공동으로 정교화합니다. 특히, LLM 기반의 속성 매칭 방법을 사용하여 DSEP 간의 대응 관계를 설정함으로써 기존의 복잡도 O(N^2)를 O(N)으로 낮추었습니다. 이후 개선된 입자 군집 최적화 알고리즘을 통해 위치 변환 계수를 정교화하고, LLM-fuzzy 방식을 이용해 업데이트된 기하학적 잔차로부터 속성 신뢰도를 재평가하는 양방향 폐쇄 루프 구조를 형성합니다.

이 방법은 현장 측량 기반의 지상 기준점(GCP) 없이도 암호화된 벡터 데이터를 WGS-84와 같은 실제 지도 좌표계에 지리 참조할 수 있게 합니다. 또한, 위치 융합을 통해 토지 이용 클래스를 계승하는 학습 없는 LULC 매핑 방법까지 제시했습니다. 중국 본토의 31개 성급 수도 및 시군구에서 실험한 결과, 평균 DSEP 위치 융합 잔차는 4.58m를 달성했으며, 속성 융합 정확도는 95.12%로 기존 최고 성능 대비 각각 1.77m와 14.87%의 개선을 보였습니다.