복합 네트워크의 확장형 불확실성 정량화를 위한 반복적 파동완화 기법

본 논문은 대규모 동적 네트워크에서 발생하는 불확실성 전파 문제를 해결하기 위해, 네트워크의 구조적 특성인 ‘약하게 연결된 서브시스템’이라는 가정을 중심으로 새로운 반복적 방법론을 제시한다. 전통적인 불확실성 정량화 기법인 일반화 다항 혼합(gPC)과 확률적 콜로케이션(PCM)은 파라미터 차원이 증가함에 따라 계산 비용이 급격히 상승하는 차원 저주(curse of dimensionality) 문제에 직면한다. 이를 극복하기 위해 저자들은 그래프 이론 기반의 스펙트럴 분해와 파동완화(Waveform Relaxation, WR) 기법을 결합한 Probabilistic Waveform Relaxation(PWR) 프레임워크를 고안한다. **1. 문제 정의와 기존 방법의 한계** 시스템(1)은 n개의 상태 변수와 p개의 독립적인 확률 변수 ξ_i 로 구성된 비선형 미분 방정식 집합으로 모델링된다. 목표는 입력 확률분포 ξ 로부터 출력 관측치 z = G(x) 의 확률분포를 효율적으로 추정하는 것이다. Monte‑Carlo(MC)와 Quasi‑Monte‑Carlo(QMC)는 수렴 속도가 느리며, gPC와 PCM은 다항 차수와 파라미터 수에 따라 필요 샘플 수가 (P+1)^p 로 폭발한다. 기존의 희소 격자, ANOVA 분해 등은 파라미터 차원을 감소시키지만, 네트워크의 구조적 약결합성을 활용하지 못한다는 점이 한계이다. **2. 그래프 분해와 파동완화** 네트워크를 그래프 G(V,E) 로 표현하고, 라플라시안 스펙트럼을 이용해 약하게 연결된 클러스터를 식별한다. 각 클러스터 C_i (i=1,…,m)는 내부 결합이 강하고, 다른 클러스터와는 소수의 변수만을 통해 상호작용한다. 이를 바탕으로 시스템을 서브시스템 형태로 재구성한다. 파동완화는 이러한 서브시스템을 독립적으로 시간 구간