연속시간 인과표현 학습을 위한 확률점 과정 식별성 및 MUTATE 프레임워크

초록

본 논문은 연속시간 확률점 과정(예: Hawkes 프로세스)에서 비가역적 혼합 함수를 가정한 인과표현 학습의 식별성을 기하학적 분석을 통해 규명하고, 시간 적응 전이 모듈을 갖춘 VAE 기반 알고리즘 MUTATE를 제안한다. 시뮬레이션 및 실제 유전체·신경과학 데이터에서 잠재적 인과 구조와 동역학을 성공적으로 복원한다.

상세 분석

이 연구는 기존 인과표현 학습이 i.i.d. 혹은 이산시간 잠재 과정에 국한된 한계를 뛰어넘어, 연속시간 확률점 과정, 특히 Hawkes‑type 자기흥분 프로세스를 대상으로 식별 가능성을 정량화한다. 핵심은 “generic geometry”라는 용어로 표현된 파라미터 공간의 대수기하학적 구조를 활용한다는 점이다. 저자들은 관측 분포 (P(O_t))와 모델 파라미터 (\Theta=(f, Z_{\Delta})) 사이에 정의된 아이디얼 (I=\langle P(O_t)-P_{\Theta}\rangle)가 차원 0, 즉 유한개의 해만을 갖는 경우에만 완전 식별이 가능함을 보인다. 이를 위해 다음과 같은 가정을 설정한다. 첫째, 잠재 점 과정은 넓은 의미의 정상성을 만족하고, 강도 함수는 유한한 베이스 라인과 적분 가능한 커널 (\Phi)로 표현된다. 둘째, 혼합 함수 (f)는 비가역적이지만 “generic point” 개념에 따라 밀집 열린 집합 위에서 충분히 다양성을 제공한다. 이러한 가정 하에, 연속시간 모델을 이산시간 샘플링 (\Delta)에 대해 약하게 수렴하는 등가 클래스(Weakly‑convergent equivalent class)를 정의하고, Lemma 1·2를 통해 변분 근사와 실제 점 과정 사이의 분포 수렴을 증명한다.

식별성 증명은 크게 두 단계로 나뉜다. (1) “maximally identifiable equivalent class”를 정의하여, 관측 해상도 (\Delta)가 충분히 작을 때 원래 연속시간 프로세스와 동일한 인과 구조를 보존하는 이산시간 근사 (Z(\Delta))를 찾는다. (2) 파라미터 공간의 기하학적 특성을 분석해, 아이디얼 (I)가 0차원임을 보이면 혼합 함수와 커널 파라미터가 유일하게 복원된다는 결론에 도달한다. 이 과정에서 대수적 폐쇄체 (K) 위에서의 다항식 근원 존재성, 그리고 커널의 제곱 적분 가능성 등이 중요한 역할을 한다.

알고리즘적 구현인 MUTATE는 위 이론을 바탕으로 설계된 VAE 구조이다. 인코더는 관측 시계열을 잠재 점 과정의 강도와 이벤트 시퀀스로 매핑하고, 디코더는 시간‑적응 전이 모듈을 통해 연속시간 커널 (\Phi)와 베이스 라인 (U)를 추정한다. 전이 모듈은 (\Delta)에 따라 동적으로 파라미터를 조정함으로써, 이산화 오차를 최소화하고 약한 수렴 조건을 만족하도록 설계되었다. 학습 목표는 변분 하한을 최대화하면서, 강도 함수의 포아송 로그우도와 재구성 손실을 동시에 최소화하는 것이다.

실험에서는 (i) 다변량 Hawkes 프로세스를 이용한 합성 데이터에서 인과 그래프와 커널 형태를 정확히 복원하고, (ii) 암 유전체 데이터에서 변이 축적 메커니즘을 추정, (iii) 뉴런 스파이크 트리거 데이터를 통해 시간‑변화 동역학을 해석한다. 모든 실험에서 MUTATE는 기존 i.i.d. VAE, ODE‑기반 VAE, 그리고 이산시간 인과 모델 대비 높은 식별 정확도와 예측 성능을 보였다.

하지만 몇 가지 한계도 존재한다. 첫째, “generic” 조건은 실제 데이터가 충분히 풍부하고, 파라미터가 밀집 열린 집합에 위치한다는 강한 전제에 의존한다. 데이터가 희소하거나 관측 해상도가 제한적이면 식별성 보장이 약해질 수 있다. 둘째, 변분 근사와 실제 점 과정 사이의 수렴 속도는 커널 형태와 이벤트 강도에 크게 좌우되며, 이론적 수렴률이 실험적으로 검증되지 않았다. 셋째, MUTATE의 학습은 고차원 이벤트 시퀀스와 복잡한 커널을 동시에 최적화해야 하므로 계산 비용이 크게 증가한다. 향후 연구에서는 약한 식별성을 완화하는 정규화 기법, 비정상적(시간‑비정상) 점 과정에 대한 확장, 그리고 실시간 온라인 추정 알고리즘 개발이 필요하다.