커널 그랜저 인과성으로 동적 네트워크 구조 복원

본 연구는 동적 네트워크의 구조를 시계열 데이터로부터 추정하는 새로운 방법론을 제시한다. 먼저, 전통적인 선형 그랜저 인과성 개념을 복습하고, 잔차 분산 감소량 δ 를 인과성 지표로 정의한다. 선형 모델에서는 자기회귀와 교차 회귀를 통해 두 시계열 ξ와 η의 인과 관계를 검정한다. 그러나 실제 시스템은 비선형적 특성을 많이 포함하고 있어, 선형 모델만으로는 충분히 설명할 수 없다. 이를 해결하기 위해 저자들은 재생 커널 힐베르트 공간(RKHS) 이론을 도입한다. 커널 함수 K(X,X′) 는 입력 데이터를 고차원 특징 공간에 암묵적으로 매핑하고, 그 공간에서 선형 회귀를 수행함으로써 비선형 관계를 포착한다. 핵심은 두 단계의 투영이다. 첫 번째는 X (목표 시계열의 과거값)만을 사용해 만든 그램 행렬 K의 범위 H에 대한 투영 \tilde{x}를 계산한다. 두 번째는 X와 Y (다른 시계열의 과거값)를 모두 포함한 확장 입력 Z에 대해 그램 행렬 K′를 만들고, 그 범위 H′를 H와 직교하는 부분 H⊥로 분해한다. H⊥는 Y가 추가로 제공하는 새로운 특징을 의미한다. 인과성 지표는 H⊥에 속하는 고유벡터 t_i 와 목표 잔차 y 의 피어슨 상관계수 r_i 를 이용해 δ = ∑ r_i² 로 정의한다. 다중 비교 문제를 해결하기 위해 보노페리오 보정과 π 값 임계치를 적용해 의미 있는 고유벡터만을 선택한다. 이렇게 하면 모델 복잡도가 증가하면서 발생할 수 있는 거짓 인과성을 효과적으로 억제한다. 비선형 회귀 모델의 복잡도는 커널 선택에 따라 조절된다. 두 가지 커널이 제안된다. (1) 이형 다항식 커널 K_p = (1+X·X′)^p 는 차수 p 를 조절함으로써 고차항을 포함하거나 제외할 수 있다. p=1 이면 선형 회귀와 동일하고, p>1 이면 비선형 효과를 포착한다. (2) 가우시안 커널 K_σ = exp(−‖X−X′‖²/2σ²) 는 폭 σ 를 조절해 모델 복잡도를 제어한다. σ 가 클수록 특징 공간 차원이 감소해 과적합 위험이 낮아진다. 다변량 확장은 M개의 동시에 측정된 시계열을 하나의 입력 벡터 X 에 포함시키고, 특정 목표 시계열 b 에 대한 인과성을 평가할 때는 b 를 제외한 나머지 M−1 개의 시계열을 X에, 전체 M 개의 시계열을 Z에 넣어 동일한 절차를 수행한다. 이 과정에서 다른 변수들의 억제 효과를 자동으로 고려하게 되므로, 직접적인 인과와 매개된 인과를 구분할 수 있다. 실험은 네 부분으로 구성된다. 첫 번째 실험에서는 세 개의 로지스틱 맵으로 구성된 작은 네트워크를 사용한다. 실제 인과 구조는 2→1, 1→3이며, 2→3은 1을 매개한다. 다변량 커널 그랜저 분석은 2→1과 1→3을 정확히 검출하고, 2→3을 비유의미하게 처리함으로써 직접·간접 인과 구분 능력을 보여준다. 두 번째 실험에서는 34노드의 무작위 방향성을 가진 복잡 네트워크(자카리 데이터)를 시뮬레이션한다. 각 연결은 0.05의 강도로 설정하고, 10 000개의 샘플을 생성한다. 이때 이형 다항식 커널(p=2, m=1)을 사용하면 다변량 인과성 지표 δ_KF 가 실제 연결과 거의 일치한다. 고유벡터의 피어슨 상관계수 분포는 대부분 0에 몰려 있어, 보노페리오 테스트가 효과적으로 잡음 차원을 제거함을 확인한다. 세 번째 실험은 희소 선형 네트워크(프리퍼럴 어태치먼트 방식)에서 샘플 수가 제한된 상황을 다룬다. 2변량 그랜저와 L1 최소화 기반 다변량 방법을 비교했을 때, 샘플이 충분하지 않을 경우 2변량 그랜저가 더 높은 정확도와 낮은 오류율을 보였다. 이는 고차원 모델이 과적합에 취약함을 시사한다. 마지막으로 실제 HeLa 세포의 유전자 발현 데이터(94개 유전자, 48시간점)를 분석한다. 정적 상관 분석으로 두 개의 전사인자 모듈을 식별하고, 커널 그랜저 분석으로 종양 관련 19개의 인과 관계를 도출한다. 이 결과는 기존 생물학적 지식과 일치하며, 제안된 방법이 실제 생물학적 네트워크 탐색에 유용함을 입증한다. 결론적으로, 이 논문은 (1) 커널 선택을 통한 비선형 회귀 모델의 유연한 제어, (2) 고유벡터 선택을 통한 거짓 인과 억제, (3) 다변량 확장을 통한 직접·간접 인과 구분이라는 세 가지 핵심 기법을 제시한다. 제한된 데이터 양에서도 신뢰성 있게 동적 네트워크 구조를 복원할 수 있음을 다양한 시뮬레이션 및 실제 데이터 분석을 통해 입증하였다. 향후 연구에서는 커널 파라미터 자동 최적화와 비정상(non‑stationary) 시계열에 대한 확장, 그리고 대규모 네트워크에 대한 계산 효율성 개선이 기대된다.