연결 구조와 시스템 식별의 한계

초록

본 논문은 선형 시스템의 입력·출력 데이터만으로 그래프 형태의 구조(변수 간 직접 인과관계)를 복원할 수 있는지 탐구한다. 선형 변환이 그래프를 바꾸고, 입력·출력 관계만으로는 구조적 요소를 거의 결정할 수 없음을 증명한다. 제한된 가정(예: 최소 SISO 형태, 특정 변수 간 비인과성) 하에서도 구조 식별이 일반적으로 불가능함을 보인다.

상세 분석

논문은 먼저 선형 시스템을 상태‑공간 형태 (A,B,C,D) 로 정의하고, 변수(입력, 상태, 출력)를 정점으로 하는 직접 인과 그래프를 도입한다. 핵심 질문은 “입력·출력(i/o) 행동만으로 이 그래프를 고유하게 복원할 수 있는가?”이다. 이를 위해 저자는 두 가지 주요 관점을 제시한다.

첫째, 선형 변환 T∈ℝⁿˣⁿ 를 시스템에 적용하면 (A′=TAT⁻¹, B′=TB, C′=CT⁻¹ 등) 새로운 시스템이 얻어지는데, 이 변환은 일반적으로 그래프 구조를 바꾼다. 즉, 동일한 i/o 전달함수(전달 행렬)를 갖는 시스템이라도 서로 다른 그래프를 가질 수 있다. 이는 구조가 i/o 동등성(class)보다 더 세밀한 정보를 필요로 함을 의미한다.

둘째, 그래프 동형(isomorphism)보다 약한 관계(동질성, 동형 사상 등)를 고려했지만, 모든 후보 관계가 동등 관계가 아니거나 비현실적인 결과(구조가 전혀 다른 두 시스템이 동일하게 취급)를 낳는다. 심지어 그래프를 강하게 응축한 “condensed graph”(강한 연결 성분을 하나의 정점으로 축소)조차도 선형 변환에 의해 달라질 수 있음을 보였다.

이러한 부정적 결과를 극복하기 위해 저자는 추가 가정을 도입한다. 첫 번째 가정은 시스템이 최소(minimal)이며 단일 입력·단일 출력(SISO) 형태의 표준 형태에 존재한다는 것이다. 이 경우 특정 파라미터화 하에 두 시스템이 동일한 그래프를 가질 필요충분조건을 제시한다. 두 번째 가정은 도메인 지식에 의해 “x는 y에 직접 영향을 주지 않는다”는 비인과성(edge 부재) 정보를 미리 알고 있다는 전제이다. 그러나 논문은 이러한 비인과성 가정만으로는 시스템 파라미터를 유일하게 식별할 수 없으며, 특히 상태 변수가 출력에 영향을 미치는 경우에는 식별이 불가능함을 증명한다.

또한, 그래프 이론적 관점에서 거의 모든 시스템이 최소성을 만족하도록 하는 그래프의 구조적 특성을 규명하고, 이러한 그래프가 최소 시스템의 필요충분조건임을 보인다. 결과적으로, 입력·출력 데이터만으로는 시스템의 구조적 정보를 거의 복원할 수 없으며, 추가적인 구조적 제약이나 사전 지식이 반드시 필요함을 강조한다.

이 논문은 뇌 기능 연결성(fMRI), 유전자 발현 네트워크, 벡터 AR 모델 등 다양한 분야에서 사용되는 구조 추정 방법들의 근본적 한계를 이론적으로 명시한다. 특히, 동적 인과 모델(Dynamic Causal Modeling)이나 Granger 인과성 분석이 그래프 구조와 일치한다고 가정하는 경우, 실제 시스템이 선형 변환에 의해 구조가 변할 수 있음을 경고한다.