본 논문은 그래프 정보 전파에서의 소스 위치 추정을 위한 새로운 생성 확산 프레임워크인 SIDSL(Structure-prior Informed Diffusion model for Source Localization)을 제안합니다. 기존의 딥러닝 기반 접근 방식은 실제 데이터 부족으로 어려움을 겪는데, SIDSL은 토폴로지 기반 사전 정보를 활용하여 제한된 데이터로도 강력한 소스 위치 추정을 가능하게 합니다. 특히, 알려지지 않은 전파 패턴, 복잡한 토폴로지-전파 관계, 클래스 불균형 문제를 해결하기 위해 그래프 라벨 전파, GNN 기반 라벨 전파 모듈, 구조적 사전 정보를 활용한 확산 초기화 등의 기법을 적용합니다. 기존 전파 모델로 생성된 합성 데이터를 통해 패턴 불변 특징을 학습하여 실제 시나리오에 효과적으로 지식을 전이합니다. 실제 데이터셋 네 개를 이용한 실험 결과, 기존 방법들보다 7.5-13.3% 향상된 F1 점수를 달성하였고, 특히 소량 데이터 및 데이터 없는 상황에서 각각 19% 및 40% 이상의 성능 향상을 보였습니다.
