주파수 기반 블라인드 네트워크 토폴로지 식별 및 그래프 모델링

본 논문은 외부 입력을 가하거나 사전 토폴로지 정보를 활용하지 못하는 상황에서, 관측된 다수의 시계열 데이터만으로 네트워크의 구조를 복원하는 방법을 제시한다. 저자는 먼저 넓은 의미의 “관측자” 모델을 정의하고, 각 에이전트의 출력 Xj 를 다른 에이전트들의 출력 집합을 입력으로 하는 선형 시스템으로 모델링한다. 이때 시스템 식별은 전통적인 식별·필터링 이론, 특히 Wiener 필터와 최소 평균 제곱 오차(MSE) 기준을 사용한다. 주파수 영역으로 변환하기 위해 교차 공분산 RXY(τ)와 자기 공분산 R X (τ)를 Z‑변환하여 교차 전력 스펙트럼 ΦXY(z)와 전력 스펙트럼 ΦX(z)로 정의한다. 이러한 스펙트럼은 각 신호 쌍 사이의 선형 의존성을 정량화하는 핵심 지표이며, 필터 설계 시 최적 전달 함수 Ĥij(z)=ΦXjXi(z)/ΦXi(z) 로 표현된다. 다변량 Wiener 필터를 적용하면, 특정 신호 Xj 를 예측하기 위해 필요한 입력 집합을 선택할 수 있다. 여기서 저자는 입력 개수 m_j 를 제한함으로써 조합적 복잡성을 낮추고, m_j=1 인 경우 가장 큰 정보량을 제공하는 단일 입력을 선택한다. 선택 기준은 필터 오차의 스펙트럼 평균값 혹은 그에 대응하는 정보 이론적 거리(예: 상호 정보량)이다. 전체 네트워크에 대해 모든 가능한 연결을 고려하면 완전 그래프가 형성되며, 각 간선에 위에서 정의한 비용 함수를 부여한다. 이후 최소 가중치 스패닝 트리(MST) 알고리즘을 적용해 비순환 구조를 추출한다. MST는 비용이 최소인 간선 집합을 선택함으로써, 실제 물리적 연결이 존재할 가능성이 높은 간선만을 남긴다. 특히, 폴리트리(polytree) 형태의 선형 네트워크를 가정하면, 각 노드의 부모 집합 Π(j) 를 정확히 식별할 수 있다. 정의에 따라, 자식 노드 N_j 는 부모 노드 N_i 로부터 전달 함수 H_{ji}(z)를 통해 영향을 받으며, 이때 H_{ji}(z)=0 인 경우 연결이 없다고 판단한다. 이러한 구조는 Acyclic Linear Network(ALN) 라고 명명되며, 교통망, 전력 배분망 등 실제 시스템에 널리 적용 가능하다. 논문은 또한 제안된 방법을 클러스터링 문제에 적용하는 예시를 제시한다. 주파수 기반 유사도 행렬을 구축하고, MST 기반의 계층적 클러스터링을 수행함으로써, 데이터의 내재된 그룹 구조를 효과적으로 탐지한다. 실험적 검증 부분에서는 합성 폴리트리 네트워크와 실제 교통 데이터에 대해 알고리즘을 적용하였다. 결과는 기존의 시간 영역 상관 기반 방법보다 높은 정확도와 낮은 오탐률을 보였으며, 특히 노이즈가 강하게 존재하는 상황에서도 안정적인 토폴로지 복원을 달성했다. 결론적으로, 이 연구는 주파수 영역의 스펙트럼 정보를 활용한 블라인드 네트워크 식별 프레임워크를 제시한다. 최소 스패닝 트리와 Wiener 필터를 결합함으로써, 대규모 복잡계에서도 핵심 연결을 효율적으로 추출하고, 이를 비순환 그래프 모델(베이지안 네트워크와 유사)로 전환한다. 향후 연구에서는 비선형 시스템, 동적 토폴로지 변화, 그리고 실시간 적용 가능성을 탐구할 계획이다.