Importance inversion transfer identifies shared principles for cross-domain learning

📝 Abstract

**
본 연구는 서로 다른 과학 분야(생물학, 언어학, 분자 과학, 사회 과학) 간 지식 전이를 가능하게 하는 공통 조직 원리를 규명하고자 한다. 기존 전이 학습 방법은 데이터가 극히 부족하거나 잡음이 심한 상황에서 이질적인 시스템을 연결하는 데 한계를 보였다. 이를 극복하기 위해 네트워크 과학과 설명 가능한 인공지능(XAI)을 결합한 Explainable Cross‑Domain Transfer Learning (X‑CDTL) 프레임워크를 제안한다. 핵심 메커니즘인 **Importance Inversion Transfer (IIT)**는 도메인 특이적인 고분별 특징보다 도메인‑불변 구조적 앵커를 우선시한다. 네트워크 토폴로지 12가지 지표를 활용해 각 분야의 구조적 특성을 정량화하고, IIT 점수를 통해 전이 가능성이 높은 구조적 ‘앵커’를 도출한다. 이상 탐지 실험에서 IIT‑기반 모델은 극심한 잡음 하에서도 의사결정 안정성이 56 % 향상되는 등 기존 베이스라인을 크게 능가한다. 결과는 이질적인 도메인 간에도 공유되는 조직 서명이 존재함을 실증하고, 불투명한 잠재 표현을 넘어 명시적 구조 법칙으로 지식 전이를 구현하는 새로운 패러다임을 제시한다.

---

**

💡 Deep Analysis

**

1. 연구 배경 및 필요성

• 다학제 지식 전이의 핵심 가정: 서로 다른 분야가 동일한 조직 원리를 공유한다는 전제는 기존 전이 학습 이론(분포 차이, 오류 경계)과는 별개로, 실제 과학·공학 문제에서 “공통 구조”를 찾아야 함을 강조한다.
• 기존 방법의 한계:
  • **잠재 공간 정렬(Latent Alignment)**은 고차원 임베딩을 통해 도메인 차이를 최소화하지만, 이 과정이 불투명하고 도메인 특이적 잡음에 취약하다.
  • 데이터 희소·노이즈 상황에서 정규화된 임베딩이 붕괴되는 현상이 빈번히 보고된다.

2. X‑CDTL 프레임워크 설계

• 네트워크 과학 기반 표현: 모든 대상 시스템을 그래프(노드·엣지)로 모델링하고, 12개의 토폴로지 지표(밀도, 클러스터링, 스펙트럴 반경, λ₂ 등)를 표준화한다.
• 설명 가능성(XAI) 통합: 각 지표의 전이 기여도를 정량화하는 IIT 스코어를 도입, 전통적인 Borda 순위와 대비해 “역전”된 중요도 순위를 도출한다.
• 전이 전략:
  1. 전역 합의 IIT(G) → 도메인‑불변 구조 앵커(예: 효율성, λ₂, 밀도) 선정.
  2. 쌍별 Directed IIT → 특정 소스‑타깃 조합에 맞는 보조 앵커(예: 모듈러리티) 추가.

3. 실험 설계 및 주요 결과

실험	데이터	모델	주요 지표	결과
도메인 구분	4개 네트워크(사회·분자·단백질·언어)	Gradient Boosting / Logistic Regression / Random Forest	정확도, ROC‑AUC	96.5 %~96.9 % 정확도, AUC ≥ 0.996 (선형 모델도 동일 수준)
IIT 기반 전이	이상 탐지 (노이즈 0–90 %)	X‑CDTL + IIT	결정 안정성, F1	노이즈 80 % 이상에서 56 % 상대 향상
구조 앵커 vs 전체 특징	전이 학습	Top Feats(8개) vs All Feats(12개)	ROC‑AUC, AP, F1	Top Feats가 전반적 성능 저하 없이 차원 축소 효과 입증

• 구조적 앵커의 보편성: 효율성, λ₂, 밀도는 모든 도메인 쌍에서 높은 IIT 점수를 기록, 이는 “정보 흐름·전역 연결·지역 밀도”가 복잡계 전반에 걸친 기본 제약임을 시사한다.
• 도메인 특이적 변이: 클러스터링 계수·스펙트럴 반경은 도메인 구분에는 강력하지만 전이에는 변동성이 커서 IIT에서 하위로 밀려난다.

4. 이론적·실용적 의의

1. 구조적 불변성의 정량화: IIT는 “중요도 역전”이라는 새로운 시각을 제공, 전통적인 discriminative importance와 전이 가능성 사이의 트레이드오프를 명시적으로 측정한다.
2. 설명 가능한 전이: 전이 과정이 어떤 구조적 특성에 기반하는지 투명하게 제시함으로써, 과학적 발견 과정에서 “왜 전이가 가능한가?”에 대한 답을 제공한다.
3. 극한 상황에서의 견고성: 데이터가 극히 적거나 잡음이 심한 경우에도 구조 앵커 중심 전이는 모델을 안정화시켜, 실험·시뮬레이션 데이터가 제한된 분야(예: 희귀 질병, 신소재)에서 활용 가능성을 높인다.
4. 다학제 연구 촉진: 사회·분자·단백질·언어 네트워크 간 공통 토폴로지(효율성·λ₂·밀도)를 기반으로, 예를 들어 “사회적 트라이어드 폐쇄” 원리를 “분자 결합 삼중성”에 매핑하는 새로운 가설 생성이 가능해진다.

5. 한계 및 향후 연구 방향

• 도메인 범위 확대: 현재 4가지 네트워크에 국한되었으며, 시계열 네트워크, 하이퍼그래프 등 더 복잡한 구조에 대한 적용 검증이 필요하다.
• IIT 스코어의 수학적 특성: 현재는 경험적 평균 기반이므로, 확률적 안정성(예: 부트스트랩 신뢰구간) 및 이론적 경계 분석이 추가되어야 한다.
• 다중 모달 데이터 통합: 그래프 외에 이미지·텍스트·시계열 등 비그래프형 데이터와의 연계 방법론을 개발하면, 진정한 “전 분야” 전이 학습이 실현될 수 있다.

---

**

📄 Full Content

과학적 진보는 점점 더 규모, 양식, 그리고 근본적인 메커니즘이 급격히 다른 영역들 간의 지식 융합을 요구하고 있다. 생물학적 유사성을 활용해 공학적 실패를 예측하거나 사회적 네트워크로부터 언어 조직을 추론하는 등 의미 있는 교차학문적 전파는 공유된 조직 원칙을 전제로 한다[1,2]. 이러한 원칙을 규명하는 일은 단순히 서술적인 작업에 그치지 않으며, 원칙에 기반한 일반화와 견고한 지식 전이를 위한 근본적인 전제조건이다.

전이 학습(TL)은 특징 표현이나 근본적인 생성 과정의 공통성을 활용함으로써 이질적인 데이터셋 간에 예측 함수를 적응시키는 메커니즘을 제공한다[3,4]. 고립된 학습에서 지식 전파로의 패러다임 전환은 서로 다른 확률 분포를 가진 새로운 영역에 직면했을 때 표준 머신러닝이 갖는 내재적 한계를 극복한다. 그러나 도메인 적응 이론은 목표 작업에 대한 오류 경계가 소스와 타깃 분포 사이의 발산 정도에 엄격히 의존한다는 것을 제시한다[5][6][7]. 실제 과학적 응용에서는 확률적 손상과 특징 잡음이 이 발산을 더욱 악화시켜, 기존의 정렬 방법이 붕괴되는 경우가 빈번히 발생하고, 도메인 불변 표현을 분리하기 위한 보다 견고한 접근법이 필요하게 된다.

게다가 기존 전이 방법론은 주로 데이터셋이 유사한 생성 역학을 공유하는 밀접한 설정을 목표로 한다[3,8]. 근본적으로 이질적인 시스템에 적용될 경우, 전통적인 잠재 정렬 기법은 종종 해석이 어려운 도메인 특화 임베딩을 생성하여 지식 전파의 메커니즘 경로를 가려버린다. 이러한 투명성 결여는 서로 다른 영역을 일관되게 연결하는 구조적 특성을 식별하는 데 큰 장애가 된다[9,10].

네트워크 과학은 교차학문적 융합을 위한 강력한 추상화 수단을 제공한다. 분자 그래프부터 사회 구조에 이르기까지 시스템 내의 개체와 상호작용을 복잡 네트워크로 매핑할 수 있기 때문이다[11,12]. 개체를 노드, 상호작용을 엣지로 표현함으로써 재료 과학, 우주론, 시스템 생물학 등 다양한 분야에서 위상 전이, 정보 확산, 기술 혁신과 같은 근본 현상을 분석하는 데 폭넓게 활용된다[13][14][15][16][17][18][19][20][21][22].

하지만 현재 손으로 만든 디스크립터에 의존하는 방식은 기능적으로 의미 있는 불변량을 샘플링 아티팩트나 도메인 고유 제약으로부터 구분하지 못하는 경우가 많으며, 특히 잡음이 많거나 데이터가 희소한 상황에서 그 한계가 두드러진다[23,24]. 이러한 난관을 해소하고자 본 연구는 Explainable Cross‑Domain Transfer Learning(X‑CDTL)이라는 패러다임을 정형화한다. 이는 네트워크 과학과 설명 가능한 인공지능(XAI)을 결합한 프레임워크로, [25]에서 제시된 이론적 토대를 바탕으로 서로 다른 학문 분야에 걸쳐 불변인 공유 구조 원칙을 식별하도록 설계되었다.

이러한 관점에서 사회적 에고‑네트워크의 소규모 세계 구조부터 분자 그래프의 희소하고 원자가 결합 제약을 받는 레이아웃까지 다양한 복합 시스템을 살펴본다. 이러한 구조적 지문은 근본적으로 다른 생성 역학을 갖는 영역 간의 프레임워크 일반화 능력을 평가하는 형태학적 기반을 제공한다. 대표적인 그래프 샘플은 밀도, 모듈러리티, 분기 패턴이 서로 다름을 보여준다. 연결 정의는 과학적 스케일에 따라 달라진다: 사회 네트워크에서는 노드가 사용자이며 친구 관계로 연결되고, 분자 그래프에서는 노드가 원자이며 화학 결합으로 연결되며, 단백질 네트워크에서는 아미노산이 물리적 상호작용으로 연결되고, 언어 네트워크에서는 단어가 문맥적 동시출현으로 연결된다. 이러한 아키텍처는 이질적인 구조적 사전(prior)을 제공함으로써 매니폴드 정렬 파이프라인의 토대가 된다.

연결성, 클러스터링, 스펙트럼, 모듈러성 등 네 차원에 걸친 12개의 위상 디스크립터가 이 다양성을 정량화한다(보조표 8의 앙상블 통계). 선택된 도메인들은 구조적 특징 공간에서 높은 구분성을 보이며, 이는 보조 그림 5에서 확인할 수 있다. 사회 네트워크는 평균 클러스터링 계수 0.84 ± 0.06, 밀도 0.65 ± 0.17 등 높은 지역 중복성을 가진 준‑클리크 구조를 나타낸다. 반면 분자 그래프는 화학적 원자가 결합 제약에 의해 연결성이 제한된 희소하고 거의 비순환적인 공간으로, 평균 클러스터링이 0.01 ± 0.03에 불과하다. 단백질 및 언어 네트워크는 중간 영역에 위치하는데, 특히 단백질 네트워크는 높은 모듈러성(0.52 ± 0.11)으로 생물학적 기능에 필수적인 계층적 커뮤니티 조직을 반영한다.

스펙트럼 지문 역시 이러한 차이를 강조한다. 사회 네트워크의 스펙트럼 반경은 12.28 ± 4.32로, 분자 시스템(2.56 ± 0.21)보다 약 5배 크며, 이는 전역 연결성 및 정보 전파 잠재력의 차이를 나타낸다. 실제 관계 데이터가 내포하는 변동성을 감안하더라도, 주요 특징인 밀도와 스펙트럼 반경의 사분위 범위는 대부분의 도메인 쌍에서 겹치지 않는다. 이러한 견고한 구분은 선택된 도메인이 위상적으로 서로 다르면서도 내부적으로 일관된 특성을 지님을 확인시켜 주며, 교차‑도메인 정렬에 대한 까다로운 벤치마크를 제공한다.

도메인 간 위상적 발산은 네트워크 정체성을 고충실도 지문으로서 구조적 메트릭이 작동함을 시사한다. 네 개의 네트워크 클래스(사회, 분자, 단백질, 언어)를 표준화된 위상 디스크립터를 기반으로 하는 XML 프레임워크로 구분 가능성을 정량화하는 포괄적 벤치마킹 분석이 수행되었다.

세 가지 학습 아키텍처(Gradient Boosting, Logistic Regression, Random Forest) 전반에 걸친 성능 평가는 일관된 높은 구분 효용을 확인한다. 표 1에 보고된 바와 같이, 10개의 독립 랜덤 시드에 대해 평균 분류 정확도는 96.5 %~96.9 % 범위에 머물며, ROC‑AUC는 0.996 이상으로 거의 완벽에 가깝다. 이는 구조적 특징 공간이 본질적으로 잘 정돈되어 있어 거의 최적에 가까운 결정 경계가 형성되고, 네트워크 앙상블의 무작위 재표본화에도 견고함을 유지함을 의미한다.

Gradient Boosting 모델과 선형 Logistic Regression 베이스라인 간의 성능 격차(≈0.3 %)는 이론적으로 의미가 있다. 선형 모델이 Random Forest와 같은 복합 앙상블 방법과 동등한 성능을 보인다는 사실은 네트워크 도메인을 정의하는 형태학적 서명이 표현력이 뛰어날 뿐 아니라 표준화된 특징 공간 내에서 선형적으로 접근 가능함을 시사한다. 이러한 결과는 특정 위상 디스크립터 집합이 고도로 구분 가능한 형태학적 매니폴드를 형성한다는 가설을 검증한다. Gradient Boosting 모델에 대한 앙상블 혼동 행렬 등 추가 진단은 보조 그림 6에 상세히 제시된다.

구조적 앵커의 식별은 구분 효용, 순위 일관성, 메트릭 안정성이라는 계층적 집계에 의해 좌우된다. 감독 학습 기반 진단이 도메인 구분을 위한 주요 구분자를 밝혀내는 반면(보조표 9), 프레임워크는 Global Consensus IIT 점수 G를 통해 도메인‑특정 중요성을 일반 전이 가능성으로 전환한다. 각 위상 디스크립터에 대해 G는 12개의 소스‑타깃 조합 전반에 걸친 방향성 IIT 점수의 평균값을 나타내며, 이질적인 생성 역학을 연결할 수 있는 구조적 유사성을 추출한다.

그 결과 계층 구조는 특징 중요도 프로파일의 큰 전환을 보여준다(그림 2). 원시 Borda 순위에서는 평균 클러스터링 계수(Borda 점수 2.267), 스펙트럼 반경(4.233), 직경(4.333) 등이 도메인 식별에 가장 강력한 구분자로 떠오른다. 그러나 IIT 점수 G는 이러한 특징이 과학적 스케일 간에 변동성이 크거나 도메인‑특화 정보가 과다해 정렬에 부적합함을 나타낸다. 따라서 전이 가능성 계층에서 스펙트럼 및 전역 규모 마커는 하위로 밀려난다.

반대로 효율성(efficiency), λ₂, 밀도와 같은 디스크립터는 원시 구분 효용에서는 중간 순위에 머물지만, 전역 합의에서는 최상위에 오르며 이질적인 매니폴드 간 정렬 잠재력이 가장 높다. 이러한 재정렬을 통해 8개의 구조적 앵커(그림 2의 녹색 막대)가 프레임워크의 공유 위상 골격을 구성한다. 이 범위 내에서 효율성과 λ₂는 뛰어난 안정성을 보여, 지식 전파를 위한 견고한 구조적 문법을 제공한다.

IIT 점수 G가 전반적인 전략의 기반을 마련하는 동시에, 프레임워크는 특정 소스‑타깃 조합에 대해 방향성 IIT 점수를 활용해 골격을 세밀히 조정한다. 쌍별 순위 일관성과 분포 근접성을 고려함으로써, 전역적으로 변동성이 크지만 특정 전이에서는 높은 메트릭 호환성을 보이는 디스크립터를 로컬 구조적 앵커로 식별한다. 예를 들어, 모듈러성은 전역 순위에서는 중간에 머물지만, 분자 혹은 사회 도메인 간 전이에서는 주요 구조적 앵커로 재등장한다. 이러한 계층적 지표를 통합함으로써, 특징 선택 과정은 기능적 관련성과 메트릭 안정성 사이의 트레이드오프를 최적화하는 방향으로 휴리스틱 임계값을 배제한다. IIT 점수 G와 방향성 IIT 점수는 전이 과정이 도메인‑불변 구조 골격에 고정되도록 보장하며, 서술적 통계 프로파일에서 드러난 특이 잡음으로부터 지식 전파를 효과적으로 차단한다.

모든 소스‑타깃 조합에 대한 방향성 쌍별 조사(표 2)는 구조적 정보 전파를 세밀히 기술한다. 계층 선택 프로토콜(섹션 5.4.2)에 따라 구조적 앵커의 식별 및 순위는 복합 IIT 점수 (IIT score) 에 의해 좌우된다. 이 기준은 (i) 구분 중립성, (ii) 순위 일관성, (iii) 메트릭 호환성을 통합해 이질 매니폴드 간 정렬 잠재력을 평가한다. 표 2에 보고된 평균 IIT 점수는 도메인 쌍 간 구조적 다리의 총 강도를 정량화하며, 전이가 이론적으로 불변이고 메트릭적으로 안정된 특징에 기반함을 보장한다.

방향성 쌍 분석은 도메인‑특정 생성 역학이 전이 가능한 구조의 성격을 어떻게 형성하는지를 보여준다. 특히 단백질 ↔ 언어 전이는 가장 높은 구조적 동질성(IIT score = 0.2480)을 보이며, 이는 밀도, 효율성, n nodes가 주요 기여 요인임을 시사한다. 이는 정보‑전달 네트워크가 공유하는 계층적 조직을 반영하며, 기능적 단백질 도메인과 구문적 단어 클러스터가 분산된 정보 흐름을 촉진한다는 점을 확인한다.

사회 ↔ 분자 전이 역시 높은 호환성(IIT score = 0.2111)을 보이며, 전이성은 전이성(transitivity), 대수적 연결성(λ₂), 효율성에 의해 주도된다. 이는 생성 메커니즘이 크게 다름에도 불구하고 두 시스템이 삼각형 폐쇄와 전역 연결 탄력성에 대한 근본적인 제약을 공유한다는 것을 의미한다. 사회 시스템에서는 삼각형 폐쇄와 소규모 세계 효과가, 분자 그래프에서는 화학 결합 제약과 공간 임베딩이 이러한 특성을 만든다.

반면 사회와 언어 네트워크 간 전이는 가장 낮은 IIT score (0.1430)를 기록한다. 사회 네트워크는 지역적 강화와 커뮤니티 중첩에 의해 구동되는 반면, 언어 네트워크는 복합적인 의미 계층을 인코딩한다. 따라서 이 전이에서 구조적 다리 역할을 하는 앵커는 n nodes와 효율성 같은 고도로 불변인 디스크립터에 국한된다.

전체 방향성 쌍을 살펴보면, 효율성, λ₂, 모듈러성은 일관되게 공유 구조 골격의 일부로 등장한다. 이들은 정보 흐름, 스펙트럴 견고성, 중간 규모 조직을 공동으로 인코딩한다. 이러한 반복적인 선택은 전이 가능성이 도메인‑특화 모티프보다 복합 네트워크가 통합, 회복성, 구획화를 균형 있게 유지하는 공유 제약에 의해 좌우된다는 점을 확인한다. 결국, 이 결과는 신뢰할 수 있는 매니폴드 동기화를 위해 필요한 최소한의 해석 가능한 구조적 앵커 집합을 명시한다.

교차‑도메인 지식 전파 평가는 오직 파싱된 특징 구성(Top Feats)만을 대상으로 하여, 고차원 중복성을 배제하고 기능적으로 기반한 구조적 앵커의 영향을 분리한다. 모든 보고된 값은 10 × 3 × 3 실험 격자 전반에 걸친 앙상블 평균을 나타낸다. 전역 수준에서, 구조적 앵커와 정렬된 표현을 사용해 학습된 타깃‑전용 모델은 거의 최적에 가까운 베이스라인 성능(ROC‑AUC = 0.987, AP = 0.917, F1 = 0.660)을 달성한다. 동일 구성에서 교차‑도메인 전이를 적용하면 평균 메트릭이 다소 감소한다(ROC‑AUC = 0.974, AP = 0.879, F1 = 0.559)(보조표 10). 이는 분리도가 이미 높은 타깃 도메인에서는 평균 성능 향상이 통계적으로 제한된다는 ‘천장 효과’를 드러낸다. 비모수 검정인 Kruskal‑Wallis H‑테스트는 모든 메트릭에서 유의한 변동성을 확인한다(ROC‑AUC: H = 188.44, p < 10⁻⁵; AP: H = 125.06, p < 10⁻⁵; F1: H = 202.93, p < 10⁻⁵).

전체 위상 특성(All Feats)과 최적화된 구조적 앵커(Top Feats) 간 비교는 차원 제어의 기능적 가치를 강조한다. 두 구성 모두 전이 없는 상황에서는 거의 동일한 베이스라인 성능을 보이지만, 전이 학습 과제에서는 구조적 앵커 구성이 더 높은 견고성을 나타낸다. 구체적으로, 전이 학습에서 8개의 구조적 앵커를 사용한 경우 전역 F1 점수(0.559)가 전체 디스크립터 집합(0.556)보다 높았다. 이는 불안정한 구분자를 배제함으로써 매니폴드 동기화 시 ‘특징 오염(feature pollution)’을 방지하고, IIT 전략이 결정 매니폴드를 효과적으로 정규화함을 입증한다.

순위 기반 메트릭(ROC‑AUC ≈ 0.98, AP ≈ 0.91)과 임계값 의존적 F1 점수(≈ 0.66) 사이의 차이는 클래스 불균형 하에서 비지도 이상 탐지의 고유한 어려움을 반영한다. ROC‑AUC가 거의 최적에 가까운 것은 공유 구조적 앵커를 기반으로 이상 사례를 정확히 순위 매길 수 있음을 의미하지만, 10 % 오염 임계값(섹션 5.5)으로 인해 F1 점수가 낮게 나타난다. 전이 상황에서 ROC‑AUC는 안정적인 반면 F1 점수는 ‘임계값 이동(threshold shift)’ 효과를 보인다: 기본적인 위상 서명은 유지되지만, 특징의 절대 규모가 비선형 변환을 겪는다. 특히 Top Feats 구성이 All Feats보다 높은 F1 점수를 유지한다는 사실은 IIT 전략이 특징 희소화를 통해 분포 잡음에 대한 의사결정 견고성을 크게 향상시킨다는 점을 재확인한다. 이 효과는 데이터가 극도로 희소하고(α = 0.1) 잡음이 심한 경우(η = 0.9) 더욱 두드러지며, 고차원 비정제 표현을 사용할 때 발생하는 결정 매니폴드의 완전 붕괴를 방지한다(섹션 2.3.3).

도메인‑쌍 수준 분석은 지역적 성과 향상과 제안된 점수 체계와 실제 성과 사이의 높은 일관성을 보여준다(표 3). IIT score 순위와 실현된 전이 효용 간의 상관관계가 강하게 나타난다. 예를 들어, 전역 합의에서 가장 높은 구조적 친화성을 보인 Proteins → Linguistic 쌍(IIT score = 0.2470)은 TGI F1 = +0.019, TGI AP = +0.007이라는 시너지 효과를 기록한다. 또한, Molecular 및 Proteins 소스로부터 Social 도메인으로의 전이는 ROC‑AUC와 AP에서 양의 TGI를 보여, 조밀한 사회 매니폴드가 비오염된 구조적 사전으로 효과적으로 정규화됨을 확인한다.

하지만 IIT score는 도메인 쌍에 대해 본질적으로 대칭적인 반면, 실제 성능은 종종 뚜렷한 방향성을 보인다. 이는 소스 도메인의 위상적 강직성이 전이 효율성에 결정적 영향을 미친다는 점을 시사한다. 단백질 네트워크와 같이 엄격한 생물물리·화학 제약을 갖는 매니폴드는 생성 유동성이 큰 사회·언어 네트워크를 효과적으로 정규화하는 고충실도 스캐폴드 역할을 한다. 반대로, 유동성이 큰 도메인에서 고강직 매니폴드로 전이할 경우 이득이 감소한다. 이러한 방향성 편향은 안정적인 외부 구조 골격이 손상된 타깃 매니폴드를 고정시킬 때 전이 학습의 구제 효과가 극대화된다는 점을 강조한다. 섹션 2.3.2에서는 이러한 동역학을 세부적으로 탐구한다.

이론적 매니폴드 호환성과 실증적 전이 효율성 간의 연관성은 제안된 선택 전략의 가장 엄격한 검증이다. 그림 3은 12개의 방향성 도메인 쌍에 대해 집계된 쌍별 IIT score와 전이 이득 지수(TGI, ROC‑AUC 기준) 간의 관계를 보여준다. 회귀 분석은 r = 0.503이라는 강한 단조적 추세를 나타내며, IIT score가 전이 성능의 좋은 지표임을 입증한다. 목표‑전용 모델이 이미 거의 최적(ROC‑AUC ≈ 0.98)인 상황에서도, IIT score가 증가함에 따라 전이로 인한 성능 저하가 체계적으로 완화된다. 특히 Proteins ↔ Linguistic와 같은 정보 네트워크 쌍은 IIT score > 0.24를 기록하며 양의 시너지 이득을 달성한다. 이는 정보 네트워크가 공유하는 잠재적 계층 조직이 견고한 분산 지식 전파를 촉진한다는 점을 확인한다.

회귀선 위에 위치한 이상치, 즉 높은 TGI를 보이면서도 상대적으로 낮은 IIT score를 가진 도메인 쌍은 추가적인 메커니즘—예를 들어, 도메인‑특화 전처리 혹은 데이터 스케일링—이 전이 성공에 기여할 수 있음을 시사한다. 이러한 사례는 IIT score가 전이 가능성을 예측하는 데 강력하지만, 실제 적용에서는 보조적인 실험적 조정이 여전히 필요함을 강조한다.

요약하면, 본 연구는 네트워크 과학과 설명 가능한 인공지능을 결합한 X‑CDTL 프레임워크를 통해, 이질적인 과학 영역 간에 공유되는 구조적 원칙을 체계적으로 발굴하고, 이를 기반으로 견고한 전이 학습을 구현한다. 12개의 도메인(사회, 분자, 단백질, 언어)에서 정의된 12개의 위상 디스크립터는 도메인 간 위상적 차이를 명확히 구분하면서도 내부 일관성을 유지한다. Global Consensus IIT 점수와 방향성 IIT 점수를 활용한 계층적 특징 선택은 전이 과정에서 도메인‑불변 구조 골격을 확보하고, 불안정한 도메인‑특화 잡음으로부터 전이를 보호한다. 실험 결과는 (1) 구조적 앵커가 포함된 저차원 특징 집합이 전이 상황에서 전반적인 성능과 견고성을 향상시킨다, (2) IIT 점수가 높은 도메인 쌍일수록 전이 이득이 크게 나타난다, (3) 전이 효율성은 소스 도메인의 구조적 강직성에 크게 의존한다는 방향성 비대칭성을 보인다, 등을 보여준다. 이러한 통찰은 과학적 지식의 진정한 융합을 위한 이론적·실용적 토대를 제공하며, 향후 복잡 시스템 연구와 인공지능 기반 지식 전파에 있어 새로운 패러다임을 제시한다.