지역 모듈 식별을 위한 동적 네트워크 추상화와 입력 선택

본 논문은 대규모 선형 동적 네트워크에서 특정 로컬 모듈을 정확히 식별하기 위해, 어떤 노드 신호를 측정해야 하는지를 체계적으로 결정하는 방법론을 제시한다. 먼저 저자는 동적 네트워크를 내부 노드 \(w_j\)와 외부 입력 \(r_k\) 로 구성된 선형 시스템으로 모델링하고, 각 노드 간 연결을 전이함수 \(G_{jl}(q)\) 로 표현한다. 이때 자기 자신에 대한 연결은 없으며(\(G_{jj}=0\)), 외부 입력은 \(u_j(t)=\sum_k R_{jk}(q)r_k(t)\) 로, 잡음은 \(v(t)=H(q)e(t)\) 로 기술된다. 전체 네트워크 방정식은 \(w(t)=G(q)w(t)+R(q)r(t)+H(q)e(t)\) 형태이며, 여기서 \(G\)는 \(L\times L\) 행렬, \(R\)는 \(L\times K\) 행렬, \(H\)는 잡음 필터, \(\Lambda\)는 잡음 공분산이다. 네트워크 모델은 **비유일성**을 갖는다. 즉, 동일한 입력‑출력 관계를 유지하면서도 \(G,R,H\) 를 다르게 표현할 수 있다. 이를 이용해 저자는 임의의 정방형 전이함수 행렬 \(P(q)\) 로 방정식의 좌변을 전치(pre‑multiply)함으로써 새로운 동등 네트워크 모델 \(M^{(2)}\) 를 얻는 변환식을 도출한다. 변환 후의 모델은 \(w(t)=G^{(2)}(q)w(t)+R^{(2)}(q)r(t)+H^{(2)}(q)e(t)\) 로, 여기서 \(G^{(2)}=I-P(I-G^{(1)})\), \(R^{(2)}=PR^{(1)}\) 이다. 변환이 유효하려면 \(P\) 가 전 행렬(full‑rank)이며 \(\operatorname{diag}\{I-P(I-G^{(1)})\}=0\) 를 만족해야 한다. 이는 내부 노드 자체에 직접적인 피드백이 생기지 않도록 보장한다. 이러한 변환 자유도를 활용해 **네트워크 추상화(abstraction)** 를 정의한다. 추상화는 특정 노드 집합 \(Z\) 를 네트워크에서 제거하고, 남은 노드 \(S\) 만을 이용해 동일한 동작을 재현하는 과정이다. 목표는 제거된 노드가 목표 모듈 \(G_{ab}\) 의 동역학에 영향을 주지 않게 하는 것이다. 저자는 \(P\) 를 \((I-G^{(2)})(I-G^{(1)})^{-1}\) 로 선택함으로써 원하는 \(G^{(2)}\) 로 자유롭게 변환할 수 있음을 증명한다. 이때 새로운 입력 행렬 \(R^{(2)}\) 와 잡음 행렬 \(H^{(2)}\) 가 원래 네트워크와 동일한 외부‑내부 관계를 유지하도록 스펙트럼 팩터화를 적용한다. 핵심 이론은 **목표 모듈 불변성 조건**이다. 추상화 후에도 \(G_{ab}\) 가 그대로 남아 있어야 하므로, 다음 두 가지 그래프‑이론적 조건이 필요하다. 첫째, 목표 모듈을 포함하는 직접 경로가 제거된 노드 집합을 통해 차단되지 않아야 한다(즉, 목표 모듈의 입력과 출력 노드가 모두 보존된 집합에 포함되어야 함). 둘째, 제거된 노드가 목표 모듈에 대한 교란 경로나 공통 원인(confounding) 경로를 형성하지 않아야 한다. 이를 수식적으로는 선택된 측정 노드 집합 \(M\) 가 목표 모듈의 **입력‑출력 경로**와 **공통 인‑이웃**을 모두 포함하고, 동시에 **불필요한 루프**를 만들지 않도록 하는 조건으로 표현된다. 논문은 이러한 일반화된 추상화 절차를 두 개의 구체적인 예시를 통해 시연한다. 첫 번째 예시는 3‑node 네트워크에서 목표 모듈이 \(G_{12}\) 인 경우로, 기존 immersion(크론 감소) 방법이 특정 노드(노드 3)를 제거하는 특수 케이스임을 보여준다. 두 번째 예시는 다중 입력·다중 출력 구조에서 목표 모듈이 복합 경로에 포함된 경우이며, 여기서는 indirect‑input 방법이 적용될 수 있지만, 제안된 일반화 방법은 보다 유연하게 노드 선택을 허용한다(예: 일부 노드는 측정하지만 직접 입력으로 사용하지 않음). 두 사례 모두 시뮬레이션을 통해 목표 모듈 파라미터가 정확히 복원되는 것을 확인하고, 측정 노드 수를 최소화하면서도 식별 정확도를 유지함을 입증한다. 마지막으로, 논문은 제안된 방법의 **실용적 의의**를 강조한다. 기존 방법들은 특정 구조(예: 트리형, 순환형) 혹은 특정 잡음 가정에 제한되었지만, 본 연구는 전이함수 행렬의 전반적인 변환 자유도와 그래프 이론을 결합해, 어떠한 선형 동적 네트워크에서도 목표 모듈을 보존하면서 원하는 측정 노드 집합을 설계할 수 있는 일반적인 프레임워크를 제공한다. 부록에는 모든 정리와 정리의 증명이 포함되어 있어, 이론적 엄밀성을 확보한다. 따라서 이 논문은 대규모 네트워크 시스템 식별, 제어 설계, 그리고 실험 설계 단계에서 측정 비용을 최소화하고 식별 가능성을 보장하려는 연구자와 실무자에게 중요한 참고 자료가 된다.