피셔 정보 기반 시계열 예측 모델

본 논문은 “피셔 정보 프레임워크를 이용한 시계열 모델링”이라는 주제로, 타켄스 임베딩 정리와 최소 피셔 정보(MFI) 원리를 결합한 새로운 예측 모델을 제안한다. 서론에서는 혼돈 시계열 분석의 난제와 기존의 물리‑기반, 정보‑이론 기반 접근법(최대 엔트로피, 비모수 모델 등)을 소개하고, 특히 피셔 정보 기반 모델이 최근 다양한 분야에서 주목받고 있음을 언급한다. 이후 2절에서는 전체 해결 절차를 개괄한다. 먼저 원시 신호 x(t)를 시간 지연 임베딩을 통해 d 차원 벡터 v(t)로 변환한다. 타켄스 정리에 따라 d>2d_a이면 미래값 v(t+T)를 함수 ℑ(v(t))로 표현할 수 있다. ℑ는 다항식 형태(식 4)로 가정하고, 파라미터 벡터 a의 차원 N_c는 조합식(식 5,6)으로 계산된다. 모델링 단계(2.2)에서는 파라미터 a를 확률변수로 보고, 그 확률밀도 f(a)를 정규분포라고 가정한다. 최소 피셔 정보를 목적함수로 두고, 제약식 W⟨a⟩=v_T와 정규화 조건을 함께 변분한다. 변분 결과는 벡터형 시간 독립 슈뢰딩거‑유사 방정식으로 나타나며, 그 고유값 문제를 풀면 가우시안 p.d.f.가 최소 정보 해임을 확인한다. 고차 고유값은 비평형 분포와 연결되어, 필요 시 Hermite‑Gaussian 다항식 형태의 확장도 가능하다. 3절에서는 양자역학적 바이럴 정리를 이용해 ⟨a⟩=W†v_T라는 의사역전파 조건을 도출한다. 여기서 W†=Wᵀ(WWᵀ)⁻¹는 Moore‑Penrose 의사역이며, W가 거의 특이행렬이더라도 파라미터 추정이 가능함을 보인다. 이어서 피셔 정보와 파라미터 평균·분산 사이의 상호관계(Reciprocity Relations)를 유도하고, 이를 레전드 변환(Legendre Transform Structure)과 결합해 정보‑열역학적 구조를 완전하게 만든다. 특히, 상호관계와 레전드 변환을 결합한 선형 편미분 방정식을 풀어 관측 데이터만으로 표현되는 경험적 FIM을 얻는다. 이 경험적 FIM은 MaxEnt 기반 모델에서는 도출되지 않는 독특한 결과이며, 모델링 단계에서 직접 계산 가능하다. 4절에서는 이러한 이론적 결과를 바탕으로 전체 예측 프레임워크를 정리한다. 모델링 단계에서 얻은 파라미터 ⟨a⟩를 사용해 미래 시점 T의 값을 ℑ*(v(t))=W⟨a⟩로 계산한다. 예측 단계는 단순히 매핑 함수를 적용하는 것이므로 계산 비용이 낮다. 5절에서는 세 가지 실험을 수행한다. 첫 번째는 맥키‑글래스 지연 미분방정식(τ>14 s)으로, 높은 임베딩 차원과 다수의 지연을 포함하는 상황에서도 모델이 안정적으로 예측함을 보였다. 두 번째와 세 번째는 각각 MIT‑BIH 데이터베이스의 Record 207(Modified Lead II)와 Creighton 대학의 VT‑A 레코드에서 추출한 5분·8.5분 ECG 신호이다. 이들 ECG는 급격한 전기적 변동(에피소드)과 잡음이 포함되어 있으나, 제안된 모델은 의사역전파와 경험적 FIM을 활용해 변동성을 최소화하고 정확한 재구성을 수행했다. 수치적으로는 평균 제곱 오차(MSE)와 상관계수(R) 등을 통해 기존 신경망·RBF 기반 방법보다 우수한 성능을 입증하였다. 결론에서는 피셔 정보 최소화와 타켄스 임베딩을 결합한 접근법이 전통적인 최소제곱, 신경망, 비모수 모델에 비해 강인성, 해석 가능성, 계산 효율성 측면에서 장점을 가진다고 강조한다. 또한, 정규분포 가정 외에도 비평형 분포를 활용할 수 있는 확장 가능성을 제시하고, 향후 다변량 시계열, 실시간 의료 모니터링, 금융 데이터 등 다양한 분야에 적용 가능함을 제언한다.