[논문] 연쇄 데이터 기반 네트워크 복구: 편향 보정 야코비안 머신러닝 접근법

Source: arXiv - 2606.07483v1

Overview

많은 중요한 현상이 동적 연쇄 형태로 전개됩니다. 여기에는 제품 채택, 질병 확산, 재정 위기, 정보 확산 등이 포함됩니다. 이러한 연쇄 뒤에 숨겨진 영향 네트워크를 복원하는 것이 핵심 과제입니다. 기존 방법들은 일반적으로 특정 확산 모델을 가정하고, 그 가정이 잘못될 경우 성능이 크게 저하됩니다. 우리는 확산 메커니즘을 명시할 필요가 없는 Jacobian 기반 머신러닝 프레임워크인 CascadeNet을 제안합니다. 핵심 아이디어는 기본적인 영향 구조가 한 단계 전이 함수의 Jacobian으로 특성화될 수 있다는 점입니다. CascadeNet은 먼저 전이 함수의 유연한 추정기를 구축하고, 이어서 Riesz 대표자를 이용한 Neyman‑orthogonal 디바이싱을 적용하여 디바이싱된 Jacobian이 √n‑일관성을 가지며 점근적으로 정규분포를 따르게 합니다. 이를 통해 네트워크 구조에 대한 정형 추론이 가능해집니다. 우리는 시뮬레이션 실험과 실제 데이터 실증 적용 두 가지 경우에서 CascadeNet을 검증했습니다. 시뮬레이션에서는 데이터 생성 과정이 알려진 상황에서, CascadeNet이 9가지 일반적인 데이터 생성 과정 중 가장 높은 네트워크 복구 정확도를 기록했습니다. 스페인 52개 주의 COVID‑19 전파에 대한 실증 적용에서는 CascadeNet이 실제 도 간 이동성 네트워크와 유의하게 상관된 전파 네트워크를 복원했으며, 기존 기준 방법들이 복원한 네트워크는 실제 정답과 유의한 정렬을 보이지 않았습니다.

Key Contributions

이 논문은 다음 분야의 연구를 제시합니다:

• cs.LG
• stat.ML

Methodology

자세한 방법론은 전체 논문을 참고하십시오.

Practical Implications

본 연구는 cs.LG 분야의 발전에 기여합니다.

Authors

• Lei Huang

Paper Information

• arXiv ID: 2606.07483v1
• Categories: cs.LG, stat.ML
• Published: 2026년 6월 5일
• PDF: PDF 다운로드