희소 네트워크 추론을 위한 완전 베이지안 접근

본 연구는 시스템 생물학, 제어 공학, 의료 분야 등에서 네트워크 구조를 정확히 추정하는 것이 치료 개발이나 고장 진단 등에 필수적이라는 배경에서 시작한다. 기존에 널리 사용되어 온 커널 기반 경험적 베이지안(KEB) 방법은 Gaussian Process와 ARD 메커니즘을 통해 시스템 안정성을 보장하고 파라미터 희소성을 유도한다. 그러나 KEB는 하이퍼파라미터를 최대우도 혹은 경험적 베이지안 방식으로 추정하는 과정에서 지역 최적점에 머물거나 수치적 불안정성을 겪어, 특히 네트워크 토폴로지(연결 구조) 검출에 한계를 보인다. 이를 극복하기 위해 저자들은 두 가지 핵심 아이디어를 제시한다. 첫 번째는 네트워크를 동적 구조 함수(Dynamical Structure Function, DSF) 형태로 모델링하는 것이다. DSF는 관측 가능한 노드 Y와 입력 U, 그리고 잡음 E 사이의 관계를 Y = Q(q)Y + P(q)U + H(q)E 로 표현한다. 여기서 Q, P, H는 각각 노드 간 전이, 입력-노드 연결, 잡음 전달을 나타내는 전달 함수 행렬이며, 행렬의 영 구조가 바로 네트워크 토폴로지를 정의한다. 숨겨진 노드가 존재하더라도 H가 대각선이고 최소 위상(monich)이라는 가정 하에 DSF는 고유하게 식별 가능하므로, 숨겨진 상태를 명시적으로 모델링하지 않아도 된다. 두 번째 아이디어는 비모수적 커널 머신을 이용해 각 전달 함수의 임펄스 응답을 Gaussian Process로 표현하고, 이를 RJMCMC를 통해 전역적으로 샘플링하는 것이다. 임펄스 응답 h_yij(k), h_uij(k) 를 시간 길이 T까지 절단하고, 안정성을 보장하는 커널(예: TC, DC 커널)을 선택함으로써 파라미터 차원을 사전에 지정할 필요가 없어진다. RJMCMC는 모델 인덱스 k(연결 구조)와 해당 구조에 대한 파라미터 θ_k 를 동시에 탐색한다. 제안 단계에서는 링크 추가, 삭제, 교체와 같은 변형을 무작위로 선택하고, 보조 변수 U와 변환 함수 g₁, g₂ 를 이용해 차원 매칭을 수행한다. 수용 확률은 사후 확률과 제안 분포, Jacobian determinant 를 포함한 상세 식(3)에 따라 계산된다. 이러한 과정은 모델 공간의 서로 다른 차원 서브스페이스를 자유롭게 오가며, 전역 최적 해에 수렴할 확률을 크게 높인다. 또한, ARD 하이퍼파라미터가 RJMCMC 이동 확률에 직접 영향을 주어, 불필요한 링크는 낮은 사후 확률을 얻게 되고 자연스럽게 희소성이 강화된다. 실험에서는 (1) 다양한 크기의 랜덤 선형 네트워크, (2) 실제 생물학적 경로를 모사한 합성 유전자 회로, (3) 다중 실험 데이터를 포함한 이질적 데이터셋을 대상으로 Monte Carlo 시뮬레이션을 수행했다. 성능 평가는 정확도, 정밀도, 재현율, F‑score 로 측정했으며, 제안 방법은 KEB와 최신 iCheMA 방법에 비해 전반적으로 10~25% 높은 점수를 기록했다. 특히, 매우 희소한 토폴로지를 가진 경우에 KEB는 작은 하이퍼파라미터 추정 오차만으로도 큰 구조 오류를 일으키지만, RJMCMC 기반 방법은 이러한 오류를 효과적으로 회피한다. 또한, 사후 분포를 통해 각 링크의 존재 확률을 제공함으로써 추정 결과에 대한 신뢰 구간을 제시한다. 결론적으로, 이 논문은 (i) DSF를 통한 숨겨진 노드의 내재화, (ii) 커널 기반 비모수 모델링, (iii) RJMCMC 기반 전역 탐색이라는 세 축을 결합함으로써, 기존 KEB가 갖는 지역 최적점 문제와 토폴로지 검출 한계를 극복한다. 제안된 프레임워크는 산업용 제어 시스템, 생물학적 신호 전달망, 그리고 복합 시스템의 고장 진단 등 다양한 분야에 적용 가능하며, 향후 비선형 시스템이나 대규모 네트워크에 대한 확장 연구가 기대된다.