[논문 리뷰] Inferring complex networks from time series of dynamical systems: Pitfalls, misinterpretations, and possible solutions

Stephan Bialonski|arXiv (Cornell University)|2012. 08. 03.

Complex Systems and Time Series Analysis참고 문헌 14인용 수 10

한 줄 요약

이 논문은 신경과학 및 기후 과학을 비롯한 다이나믹스 시스템의 경험적 연구에서 흔히 보고되는 소월드(small-world) 및 할당형(assortative) 네트워크 성질이 실제 시스템의 동역학적 특성보다는 분석 방법론에 기인한 산물일 수 있음을 입증한다. 시뮬레이션과 실제 뇌 데이터를 사용하여, 공간적 및 시간적 샘플링 전략, 센서 배열, 신호 처리 기법 등이 이러한 네트워크 특성을 체계적으로 유도할 수 있음을 보여주며, 데이터 수거 및 처리 과정에서 유도되는 방법론적 편향과 진정한 네트워크 구조를 구분하기 위한 방법론적 수정을 제안한다.

ABSTRACT

Understanding the dynamics of spatially extended systems represents a challenge in diverse scientific disciplines, ranging from physics and mathematics to the earth and climate sciences or the neurosciences. This challenge has stimulated the development of sophisticated data analysis approaches adopting concepts from network theory: systems are considered to be composed of subsystems (nodes) which interact with each other (represented by edges). In many studies, such complex networks of interactions have been derived from empirical time series for various spatially extended systems and have been repeatedly reported to possess the same, possibly desirable, properties (e.g. small-world characteristics and assortativity). In this thesis we study whether and how interaction networks are influenced by the analysis methodology, i.e. by the way how empirical data is acquired (the spatial and temporal sampling of the dynamics) and how nodes and edges are derived from multivariate time series. Our modeling and numerical studies are complemented by field data analyses of brain activities that unfold on various spatial and temporal scales. We demonstrate that indications of small-world characteristics and assortativity can already be expected due solely to the analysis methodology, irrespective of the actual interaction structure of the system. We develop and discuss strategies to distinguish the properties of interaction networks related to the dynamics from those spuriously induced by the analysis methodology. We show how these strategies can help to avoid misinterpretations when investigating the dynamics of spatially extended systems.

연구 동기 및 목표

• 분석 방법론—특히 공간적 및 시간적 샘플링—이 다이나믹스 시스템에서 추론되는 네트워크 성질에 어떻게 왜곡을 초래할 수 있는지 조사하기.
• 경험적 데이터에서 허위의 소월드 및 할당형 특성을 유도하는 네트워크 추론의 체계적 편향을 규명하기.
• 진정한 다이나믹스 상호작용과 데이터 수거 및 처리 과정에서 유도된 잡음 사이를 명확히 구분할 수 있는 방법론적 수정을 개발하고 검증하기.
• 신경과학, 기후 과학 등 다양한 분야에서 시간 시리즈를 기반으로 상호작용 네트워크를 추론할 때 오해를 피하기 위한 실용적 지침을 제공하기.
• 간질성 뇌 활동에서의 실제 다채널 EEG/MEG 데이터를 사용하여 결과를 검증하기.

제안 방법

• 공간 센서 배치와 시간 샘플링의 영향을 분리하기 위해 격자형 및 무작위 다이나믹스 시스템을 사용한 통제된 시뮬레이션 연구 수행.
• 관측된 네트워크 특성이 우연을 초월해 통계적으로 유의미한지 평가하기 위해 서로보 데이터 기법(예: 위상 랜덤화 서로보)을 적용.
• 실제 데이터와 서로보 데이터를 비교하기 위해 클러스터링 계수, 평균 최단 경로 길이, 할당성, 차수 분포 등의 네트워크 지표를 적용.
• 다이나믹스 상관관계를 파괴하면서도 통계적 성질은 유지하는 제약 조건이 적용된 가중치 네트워크의 무작위화를 통해 근본 모델 생성.
• 실제 인간 뇌 기록(EEG 및 MEG)의 다변량 시간 시리즈를 분석하여, 샘플링 아티팩트를 보정한 후에도 네트워크 성질이 유지되는지 확인.
• 스펙트럼 클러스터링 및 가중치 네트워크에서의 커뮤니티 탐지 기법을 활용해 추론된 네트워크 모듈의 구조적 안정성과 강건성을 평가.

실험 결과

연구 질문

• RQ1 공간적 샘플링 패턴과 센서 기하학적 배열이 추론된 네트워크에 허위의 소월드 특성을 얼마나 유도하는가?
• RQ2 시간 샘플링 레이트가 클러스터링 계수 및 평균 최단 경로 길이와 같은 핵심 네트워크 지표 추정에 어떤 영향을 미치는가?
• RQ3 추론된 네트워크에서의 할당형 혼합은 진정한 다이나믹스 상호작용이 아니라 측정 아티팩트에 의해 설명될 수 있는가?
• RQ4 뇌 활동 데이터(예: 간질 발작 기간)에서 보고된 네트워크 성질은 진정으로 기초 동역학을 반영하는 것일까, 아니면 데이터 수거 및 처리 과정에 의해 형성된 것일까?
• RQ5 표준 분석 방법론에 의해 유도된 아티팩트와 진정한 네트워크 구조를 신뢰성 있게 구분할 수 있는 방법론적 수정은 무엇인가?

주요 결과

• 소월드 특성과 할당성은 상호작용가능성이나 상관관계가 없는 다이나믹스 시스템에서도 센서의 공간 배열과 신호 샘플링 방식에 의해 순수하게 유도될 수 있다.
• 클러스터링 계수와 평균 최단 경로 길이는 시간 샘플링 주파수에 의해 심각하게 편향되며, 과도한 샘플링 부족은 클러스터링 계수를 과대평가하고 경로 길이를 감소시킨다.
• 할당성은 센서의 공간 분포와 측정 노이즈에 의해 강하게 영향을 받으며, 실제로 다이나믹스 결합이 없음에도 불구하고 허위의 양의 할당성을 유도하는 경우가 흔하다.
• 실제 EEG 및 MEG 데이터에서 추론된 네트워크 역시 유사한 편향을 보이며, 이는 이전에 보고된 '소월드' 특성이 생물학적으로 진정한 특성이 아니라 방법론적으로 유도된 것일 수 있음을 시사한다.
• 제약 조건이 적용된 무작위화와 서로보 데이터 테스트는 아티팩트를 효과적으로 식별하고 제거할 수 있으며, 시간 시리즈 데이터의 네트워크 추론 신뢰도를 향상시킨다.
• 본 연구는 표준 네트워크 지표가 샘플링 아티팩트에 대해 강건하지 않음을 입증하였으며, 복잡계에서 타당한 추론을 위해서는 방법론적 수정이 필수적임을 보여준다.