복잡계 네트워크 기반 시계열 비가역성 검정

초록

본 논문은 표준·수평 가시성 그래프를 이용해 시계열의 시간역전 대칭성을 검정하는 새로운 통계 방법을 제안한다. 시간 방향성을 반영한 정점 차수와 지역 클러스터링 계수의 분포 차이를 비교함으로써, 서브시퀀스가 짧아도 비가역성을 효과적으로 탐지한다. 모델 시스템과 신경생리학 데이터에 적용해 비선형성 및 비가역성 신호를 성공적으로 식별하였다.

상세 요약

본 연구는 시계열 분석에서 비가역성(시간역전 대칭성 결여)을 검출하기 위한 기존 방법들의 한계를 극복하고자, 복잡계 네트워크 이론을 도입하였다. 구체적으로, 시계열을 정점으로, 두 시점 사이에 ‘가시성’(visibility) 관계가 존재하면 간선으로 연결하는 표준 가시성 그래프(Standard Visibility Graph, SVG)와 수평 가시성 그래프(Horizontal Visibility Graph, HVG)를 구축한다. 이 두 그래프는 원본 시계열의 순서를 보존하면서도 비선형 구조를 네트워크 토폴로지로 변환한다는 장점이 있다.

비가역성을 검정하기 위해 저자들은 ‘시간‑지향성(time‑directed)’ 변형 지표를 정의한다. 먼저 정점 차수(k)와 지역 클러스터링 계수(C)를 각각 앞쪽(과거)과 뒤쪽(미래)으로 나누어 k⁺, k⁻, C⁺, C⁻ 로 표기한다. 비가역적인 시계열에서는 이 네 지표의 확률분포가 시간 방향에 따라 비대칭을 보일 것이므로, 두 방향의 분포 차이를 통계적으로 검정한다. 구체적인 검정 절차는 다음과 같다. (1) 시계열을 그래프로 변환하고, 각 정점에 대해 k⁺, k⁻, C⁺, C⁻ 를 계산한다. (2) 두 방향의 분포를 히스토그램 혹은 커널 밀도 추정으로 추정한다. (3) Kolmogorov‑Smirnov(KS) 검정이나 Anderson‑Darling 검정을 적용해 두 분포가 동일한지 여부를 판단한다.

핵심적인 장점은 서브시퀀스 길이가 짧아도 충분히 통계적 파워를 확보할 수 있다는 점이다. 전통적인 비가역성 검정은 위상 재구성(embedding)과 surrogate 데이터 생성에 의존하는 경우가 많아 데이터 양이 제한적일 때 신뢰도가 떨어진다. 반면, 가시성 그래프는 원본 시계열의 순서를 그대로 보존하므로, 짧은 구간에서도 네트워크 구조가 충분히 풍부하게 형성된다. 또한, surrogate 데이터를 필요로 하지 않으므로 계산 비용이 크게 감소한다.

실험에서는 (i) 선형·비선형 AR(1) 모델, (ii) 로지스틱 맵, (iii) 레이놀즈 시스템 등 시간역전 대칭성을 명확히 알 수 있는 모델을 사용해 검증하였다. 선형 AR(1) 시계열은 이론적으로 가역적이므로 모든 검정에서 귀무가설을 기각하지 못했으며, 비선형 혼돈 시스템에서는 강력히 비가역성을 탐지하였다. 특히, HVG 기반 검정이 SVG 대비 더 높은 민감도를 보였는데, 이는 HVG가 데이터의 순서 정보를 보다 직접적으로 반영하기 때문이다.

마지막으로, 인간 뇌파(ECoG)와 같은 신경생리학 데이터에 적용해, 비가역성 지표가 의식 상태 변화와 연관됨을 확인하였다. 비가역성 점수가 높은 구간은 일반적으로 복잡한 비선형 동역학이 활성화된 것으로 해석될 수 있다. 이러한 결과는 비가역성 검정이 뇌 기능 상태를 비침습적으로 모니터링하는 새로운 바이오마커가 될 가능성을 시사한다.

전반적으로, 본 논문은 복잡계 네트워크와 통계 검정의 결합을 통해, 짧은 시계열에서도 비가역성을 신뢰성 있게 탐지할 수 있는 실용적인 프레임워크를 제시한다. 향후 연구에서는 다변량 시계열, 비정상성(non‑stationarity) 처리, 그리고 실시간 적용을 위한 알고리즘 최적화가 기대된다.