부분 관측 환경에서 그래프 학습의 가능성과 한계

** 본 논문은 분산 처리 시스템에서 네트워크 토폴로지를 추정하는 ‘그래프 학습’ 문제를, 특히 관측 가능한 노드가 전체의 일부분에 불과한 ‘부분 관측(partial observability)’ 상황에 초점을 맞추어 체계적으로 조사한다. 먼저 서론에서는 분산 최적화·학습·추론이 로컬 정보 교환에 의존한다는 점을 강조하고, 기존 연구가 그래프 구조가 알고리즘 성능에 미치는 영향을 분석해 왔음에도 불구하고, 반대로 관측된 신호로부터 그래프를 역추정하는 문제는 상대적으로 연구가 부족함을 지적한다. 문제 정의에서는 N개의 노드가 1차 VAR 모델 y_i = A y_{i‑1} + x_i 을 통해 상호작용한다는 가정을 명시한다. 여기서 x_i는 i.i.d. 0‑평균·단위분산 입력이며, A는 비대칭이지만 스펙트럼이 단위 원 안에 존재하는 안정적인 결합 행렬이다. 전체 신호 벡터 y_i의 공분산 R_0와 1‑lag 공분산 R_1을 충분히 많은 샘플로부터 추정하면, 완전 관측 상황에서는 A = R_1 R_0^{-1} 라는 닫힌 형태로 정확히 복원할 수 있다(Granger 추정기). 하지만 부분 관측 상황에서는 관측 집합 S⊂{1,…,N}에 대해서만 y_k(i) (k∈S)를 수집한다. 이때 서브행렬 A_S를 직접 구하려 하면, 일반적인 행렬 연산 규칙이 깨져서