강제 입력 함수로 구조적 식별성 향상

초록

시간에 따라 변하는 파라미터를 외부 데이터와 연결된 강제 입력 함수로 대체하거나 스케일링하면, 모델의 구조적 식별성을 악화시키지 않으며 특정 조건 하에서는 식별성을 크게 개선할 수 있다. 저자들은 미분대수와 Ritt의 의사 나눗셈 알고리즘을 이용해 이론을 증명하고, 약동학 및 전염병 모델에 적용해 실용성을 확인하였다.

상세 분석

본 논문은 기존에 상수 파라미터로 가정하던 모델에 비정상적인 시간 변동을 갖는 강제 입력 함수를 도입함으로써 구조적 식별성(identifiability)을 개선할 수 있는 수학적 근거를 제공한다. 먼저 일반적인 유리함수 형태의 ODE 시스템을 정의하고, 파라미터 θ 와 입력 u(t) 를 명시한다. 강제 입력 û(t) 는 알려진, 연속적이며 Cⁿ‑smooth한 함수로 가정하며, 기존 파라미터 θᵢ 를 û(t)·θᵢ 또는 û(t) 그 자체로 교체한다. 핵심은 이러한 변환이 모델의 입력‑출력 매핑 Φ의 단사성을 감소시키지 않는다는 정리를 증명한 점이다. 이를 위해 저자들은 미분대수 방법, 특히 특성 집합(Characteristic Set)과 Ritt의 의사‑분할(Pseudo‑Division) 알고리즘을 활용해 입력‑출력 방정식을 도출하고, 파라미터가 포함된 계수들의 다항식 구조를 분석한다.

첫 번째 주요 정리에서는 강제 입력을 도입한 모델 (\tilde M) 가 원래 모델 M 보다 구조적 식별성이 낮아질 수 없음을 보인다. 이는 입력‑출력 방정식에서 각 파라미터가 나타나는 모노미얼이 강제 함수 û(t) 또는 그 도함수와 곱해지는 형태로 변형되며, 새로운 모노미얼이 기존 모노미얼을 대체하거나 추가될 뿐, 기존 파라미터 간의 의존성을 감소시키지 않기 때문이다.

두 번째 정리에서는 강제 입력이 특정 조건—예를 들어 û(t) 가 영이 아닌 구간을 충분히 포함하고, 그 도함수가 독립적인 함수 집합을 형성할 때—파라미터 조합의 차원을 감소시켜 구조적 식별성을 실제로 향상시킨다. 특히, 파라미터 그래프(parameter graph)에서 연결된 컴포넌트가 존재할 경우, 해당 컴포넌트의 하나라도 강제 입력에 의해 직접 관측 가능해지면 전체 컴포넌트의 파라미터가 식별 가능해진다.

실제 적용 사례로는 (1) 약동학 2‑구획 모델에서 조직‑혈액 교환율 k₁₂ 에 계절성 온도 데이터를 강제 입력으로 결합했을 때, 전역 식별성이 확보되고 파라미터 추정의 불확실성이 크게 감소한다. (2) 전염병 모델에서 접촉률 β(t) 을 강수량·온도와 같은 환경 변수로 스케일링하면, 기존에 식별 불가능하던 β 및 회복률 γ 의 조합이 분리되어 개별 추정이 가능해진다.

마지막으로 저자들은 실무 가이드를 제시한다. 모델링 단계에서 (i) 파라미터 그래프를 작성해 식별 불가능한 컴포넌트를 식별하고, (ii) 해당 컴포넌트에 대응하는 외부 데이터(강제 입력)를 탐색·수집하며, (iii) 미분대수 도구(Daisy 등)를 이용해 입력‑출력 방정식을 재계산하고, (iv) 식별성 검증을 수행한다. 이러한 절차는 재파라미터화 없이도 파라미터 해석성을 유지하면서 실험 비용을 절감할 수 있음을 강조한다.