본 논문은 그래프 정보 전파에서의 소스 위치 확인 문제를 다룬다. 기존의 딥러닝 기반 접근법은 실제 데이터 부족으로 효율성이 제한적이었으나, 본 논문에서는 제한된 데이터 환경에서 세 가지 주요 과제(알려지지 않은 전파 패턴, 복잡한 토폴로지-전파 관계, 소스 및 비소스 노드 간의 클래스 불균형)를 해결하는 새로운 프레임워크인 SIDSL(Structure-prior Informed Diffusion model for Source Localization)을 제시한다. SIDSL은 그래프 라벨 전파를 통해 토폴로지 인식 사전 정보를 통합하고, GNN-매개변수화 라벨 전파 모듈(GNN-LP)을 사용하는 전파 향상 조건부 탈잡음기를 사용한다. 또한, 구조 기반 소스 추정에서 초기화하는 구조 사전 편향 탈잡음 방식을 제안하여 클래스 불균형 문제를 효과적으로 해결한다. 네 개의 실제 데이터셋에 대한 실험 결과는 SIDSL이 최첨단 방법에 비해 F1 점수를 7.5~13.3% 향상시키는 우수한 성능을 보여준다는 것을 보여준다. 특히, 합성 패턴의 시뮬레이션 데이터로 사전 훈련된 경우, SIDSL은 훈련 데이터의 10%만으로도 기준선보다 18.8% 이상 우수한 성능을 유지한다. 이러한 결과는 라벨이 지정된 데이터가 부족한 실제 응용 분야에서 SIDSL의 효과를 강조한다.
