본 논문은 스마트 환경 및 내비게이션 시스템에서 공간적 맥락을 가능하게 하는 정확한 실내 위치 추정의 중요성을 강조하며, Wi-Fi RSS 지문을 이용한 실내 위치 추정 방식에 대해 다룬다. 기존의 딥러닝 모델은 유클리드 공간에서 RSS 변화를 학습하지만, 실제 세계의 비균일한 RSS 잡음 분포와 공간적 관계를 고려하지 못해 장치 간 일반화 성능이 저하되는 문제점을 지닌다. 본 논문에서는 이러한 문제를 해결하기 위해, 실내 위치를 노드로, 공간 및 신호 관계를 에지로 모델링하는 그래프 신경망(GNN) 기반의 새로운 프레임워크인 GATE를 제안한다. GATE는 적응형 그래프 표현을 구축하여 비유클리드 구조의 RSS 잡음을 모델링하고, 1) 향상된 메시지 전달을 위한 AHV(Attention Hyperspace Vector), 2) GNN 블라인드 스팟 문제를 완화하기 위한 MDHV(Multi-Dimensional Hyperspace Vector), 3) 동적 그래프 적응을 위한 RTEC(Real-Time Edge Construction) 기법을 도입한다. 실제 환경에서의 실험 결과, GATE는 기존 최첨단 실내 위치 추정 프레임워크에 비해 평균 위치 오차를 1.6배에서 4.72배, 최악의 경우 오차를 1.85배에서 4.57배까지 감소시키는 것을 보였다.
