이산 관측 시계열 데이터로부터 비모수적 확률 미분 방정식 모델 재구성

초록

**
본 논문은 파라미터 형태를 사전에 지정하지 않고, 관측된 이산 시계열만으로 확률 미분 방정식(SDE)의 상태‑의존적 drift와 diffusion 함수를 비모수적으로 추정하는 방법을 제시한다. 핵심은 커널 밀도 추정과 최대우도법을 결합하고, 관측 간격이 큰 경우를 다루기 위해 로컬 선형화 기법을 적용해 계산 효율성을 확보한 것이다.

**

상세 분석

**
이 연구는 SDE 모델링에서 가장 어려운 문제 중 하나인 “함수 형태를 모르는 상태에서 drift와 diffusion을 동시에 추정”하는 과제를 해결한다. 기존의 파라메트릭 최대우도법은 사전 가정이 필요해 실제 생물·물리 시스템에 적용하기 어려웠으며, 마코프 체인 몬테카를로나 변분법은 계산 비용이 크게 늘어나는 단점이 있었다. 저자들은 이러한 한계를 극복하기 위해 세 가지 핵심 아이디어를 도입한다. 첫째, 커널 밀도 추정(KDE)을 이용해 관측 데이터의 확률분포를 비모수적으로 복원한다. KDE는 데이터 포인트마다 가우시안 커널을 부여해 연속적인 밀도 함수를 얻으며, 밴드폭 선택을 교차검증 기반 위험함수 최소화로 자동화한다. 둘째, KDE를 최대우도(framework)와 연결시켜 “분포 자체를 파라미터”로 보는 새로운 추정식을 도출한다. 로그우도 함수를 커널 가중치와 결합한 뒤 라그랑주 승수를 이용해 최적화하면, 기존 KDE 식과 동일한 형태의 해가 얻어짐을 증명한다. 이는 커널을 “분산된 관측”으로 해석함으로써, 실제 관측이 적은 상황에서도 부드러운 추정이 가능함을 의미한다. 셋째, 이론적으로 연속시간 SDE를 이산시간 데이터에 적용하려면 작은 Δt 근사만으로는 충분치 않다. 저자들은 로컬 선형화(linearization) 기법을 사용해 각 관측 구간을 일차적인 SDE(선형 drift와 상수 diffusion)로 근사하고, 이 근사식에 대해 위에서 만든 비모수 최대우도 추정기를 적용한다. 특히, “2차 형태”의 선형화식을 제시해, 비선형 drift와 상태‑의존적 diffusion을 효과적으로 포착한다. 이 과정은 각 구간마다 독립적인 조건부 밀도 p(ΔX|X) 를 계산하게 하며, 전체 로그우도는 이들의 합으로 표현된다. 실험에서는 이중우물(double‑well) 형태의 잠재함수와 sin‑형 diffusion을 갖는 합성 데이터에 대해, 2000개의 관측점(Δt=0.05)만으로도 원래 함수들을 높은 정확도로 복원함을 보였다. 특히, 데이터가 희소하거나 관측 간격이 커도 로컬 선형화와 커널 기반 추정이 결합되어 안정적인 결과를 제공한다는 점이 강조된다. 전체적으로 이 방법은 비모수적이면서도 계산량이 O(N) 수준으로 효율적이며, 생물학적 단일분자 실험, 금융 시계열 등 다양한 분야에 바로 적용 가능하다.

**