비모델 기반 비선형 집단 동역학으로부터 직접 네트워크 상호작용 추정

초록

본 논문은 사전 모델이 없는 복잡한 비선형 집단 동역학 데이터를 이용해 네트워크의 직접적인 연결 구조를 추정하는 새로운 프레임워크를 제시한다. 명시적 의존성 행렬과 블록 직교 회귀(block‑orthogonal regression) 알고리즘을 결합해, 정상 상태로 수렴하는 과도 현상, 주기·비주기·혼돈 등 다양한 동역학 구간에서 정확히 2점(네트워크) 및 3점(하이퍼네트워크) 상호작용을 복원한다. 실험 결과는 기존 모델 기반 방법보다 높은 견고성과 범용성을 보여준다.

상세 분석

이 연구는 네트워크 동역학에서 직접적인 연결을 식별하는 문제를 ‘모델‑프리’ 접근법으로 재정의한다. 핵심 아이디어는 시스템의 상태 변수 (x_i(t))가 시간에 따라 변화하는 미분 방정식 (\dot{x}_i = f_i(\mathbf{x}))를 가정하되, 구체적인 함수 형태 (f_i)를 알 필요 없이 변수 간의 의존성 매트릭스 (\mathbf{D})만을 추정한다는 점이다. (\mathbf{D})는 각 변수 (x_j)가 (\dot{x}_i)에 직접 기여하는지를 0/1 혹은 실수값으로 표시한다.

이를 위해 저자들은 블록 직교 회귀를 설계했다. 먼저 관측된 시계열 데이터를 시간 차분하여 (\Delta \dot{\mathbf{x}})와 (\Delta \mathbf{x})를 만든다. 그런 다음 (\Delta \mathbf{x})를 여러 블록(예: 2차, 3차 다항 항)으로 나누어 각각을 독립적인 회귀 문제로 설정한다. 블록 간 직교성을 강제함으로써 다항 차수 증가에 따른 과적합을 방지하고, 각 블록이 설명하는 변동성을 명확히 구분한다. 회귀 계수는 LASSO와 같은 스파스 정규화를 적용해 불필요한 연결을 자동으로 0으로 만든다. 결과적으로 얻어지는 스파스 계수 행렬이 바로 의존성 매트릭스 (\mathbf{D})이며, 이는 직접적인 네트워크 연결을 의미한다.

특히 3점 상호작용(하이퍼네트워크)을 다루기 위해 3차 블록을 추가함으로써, 두 변수의 곱항이 세 번째 변수의 변화에 미치는 영향을 별도로 추정한다. 이는 기존 2점 기반 그래프 모델이 포착하지 못하는 고차 상호작용을 밝혀내는 강점이다.

실험에서는 (1) 선형·비선형 진동자 네트워크, (2) 로지스틱 성장 모델, (3) 로렌츠 혼돈 시스템, (4) 하이퍼네트워크 형태의 생물학적 신호전달 경로 등 네 가지 대표적인 동역학을 사용했다. 각 경우에 대해 과도 현상, 정상 주기, 비주기 궤도, 완전 혼돈까지 다양한 궤적을 수집하고, 제안 방법으로 복원된 연결 구조를 실제 토폴로지와 비교했다. 정밀도·재현율 모두 0.9 이상을 기록했으며, 특히 잡음 수준이 10 %까지 상승해도 성능 저하가 미미했다.

한계점으로는 (i) 매우 높은 차수(4차 이상) 다항 블록을 도입하면 계산 복잡도가 급격히 증가하고, (ii) 관측 데이터가 매우 짧거나 샘플링 간격이 크게 차이날 경우 회귀 행렬이 불안정해질 수 있다. 또한, 연속적인 미분이 가능한 시스템에만 직접 적용 가능하므로, 이산 이벤트 기반 시스템에는 별도 전처리가 필요하다.

전반적으로 이 논문은 ‘모델‑프리’라는 패러다임을 네트워크 과학에 성공적으로 도입했으며, 복잡한 비선형 시스템에서도 직접적인 연결을 정량적으로 복원할 수 있는 실용적인 도구를 제공한다는 점에서 큰 의의를 가진다.