물리 지식을 활용한 인과 구조 탐색: SDE 기반 인덕티브 바이어스

초록

본 논문은 알려진 ODE 물리 모델을 드리프트 항으로, 미지의 인과 연결을 확산 항으로 넣은 확률 미분 방정식(SDE) 프레임워크를 제안한다. 스파스성을 유도하는 최대우도 추정 알고리즘(SCD)을 설계하고, 충분한 샘플 수와 적절한 정규화 조건 하에 그래프 복구 가능성을 이론적으로 증명한다. 실험에서는 다양한 순환·비순환 구조를 가진 동적 시스템에서 기존 시계열 인과 탐지 기법보다 높은 정확도와 물리적 일관성을 보였다.

상세 분석

이 연구는 물리 기반 ODE와 데이터 중심 인과 발견을 통합하려는 시도로, 시스템의 상태 변화를 SDE 형태로 모델링한다는 점에서 혁신적이다. 드리프트 항 g(t,x,γ)은 기존에 도메인 전문가가 제공한 물리 법칙이나 메커니즘을 그대로 반영하고, 확산 항 Aᵀx·dW는 알려지지 않은 인과 관계를 다중선형 형태로 표현한다. 이렇게 하면 물리적 제약이 파라미터 공간을 크게 축소시켜 식별 가능성을 높인다. 저자들은 Euler‑Maruyama 이산화를 이용해 quasi‑likelihood를 구성하고, L1 정규화와 그래프 구조에 기반한 차별적 업데이트를 결합한 SCD 알고리즘을 제안한다. 이 알고리즘은 그래프의 희소성을 직접 제어하면서도 대규모 변수(p)와 샘플(n) 상황에서도 계산 복잡도를 선형에 가깝게 유지한다. 이론적 분석에서는 각 노드 i에 대해 부모 수 s_i와 샘플 수 n이 max{s_i³·log p, s_i⁴}보다 크면, 정규화 파라미터 λ_n≈p·log p/n + p·s_i/n 일 때, 고확률로 실제 인과 그래프를 복구한다는 정리(정규화된 M‑estimator의 일관성)를 제시한다. 이는 기존에 비선형·비가우시안·피드백 구조를 다루기 어려웠던 방법들과 차별화되는 강력한 식별 보장이다. 실험에서는 2차원 진동계, 로봇 팔, 전염병 모델 등 다양한 도메인에서 부분적으로 알려진 ODE(예: 자체 감쇠, 보존 법칙)와 미지의 상호작용을 동시에 학습했으며, DYNOTEARS, VAR‑based Granger, NGM, SCOTCH 등 최신 베이스라인 대비 그래프 정확도(F1)와 파라미터 추정 안정성에서 현저히 우수한 결과를 얻었다. 특히 순환 구조가 존재하는 경우에도 acyclicity 가정 없이 정확히 복구함을 보여, 물리적 인덕티브 바이어스가 피드백 시스템에서도 효과적임을 입증한다.