인과 경로를 통한 정보 전달과 매개 효과 정량화

본 논문은 복잡계 시계열 데이터에서 인과적 정보 흐름을 정량화하기 위한 새로운 방법론을 제시한다. 저자는 먼저 다변량 시계열의 인과 구조를 복원하는 Tigramite 접근법을 사용한다. Tigramite은 조건부 독립성 검정을 기반으로 시간‑시리즈 그래프를 구축하며, 각 변수의 과거 상태가 현재 상태에 미치는 직접·간접 영향을 방향성 있는 연결으로 표현한다. 이 단계에서 얻어진 인과 네트워크는 이후 정보 전달 측도의 정의와 추정에 핵심적인 역할을 한다. 전통적인 정보 전달 측도인 전이 엔트로피(Transfer Entropy)와 Granger‑causality 기반 방법은 공통 원인(common driver)이나 간접 경로(indirect influence)를 완전히 배제하지 못한다. 따라서 X←Z→Y와 같은 구조에서 X와 Y 사이에 인위적인 인과성이 부여될 위험이 있다. 이를 해결하고자 저자는 ‘소스 엔트로피’ H(Xₜ|X₋ₜ) 개념을 도입한다. 이는 과거 정보가 주어졌을 때 현재 상태에 남는 불확실성을 의미하며, 동적 잡음 ηₓₜ가 존재하면 이 엔트로피는 ηₓₜ의 엔트로피와 동일해진다. 이 아이디어를 바탕으로 두 종류의 측도를 정의한다. 첫 번째는 ‘순간 정보 전달(MIT, Momentary Information Transfer)’이다. MIT는 조건부 상호정보량 I(Xₜ₋τ; Yₜ | Pa(Yₜ) \ {Xₜ₋τ}) 로 표현되며, 여기서 Pa(Yₜ) 는 Yₜ의 인과적 부모 집합이다. MIT는 X가 τ 시점 이전에 Y에 미치는 직접적인 인과 효과를 측정한다. 또한, 인과 그래프 상에 X→W₁→…→Wₖ→Y와 같은 다단계 경로가 존재할 경우, 해당 경로상의 모든 중간 노드들을 Pa(Yₜ) 에 포함시켜 조건화함으로써 간접 경로를 자연스럽게 배제한다. 두 번째는 ‘경로 매개 정보 전달(PMIT, Path‑Mediated Information Transfer)’이다. PMIT는 MIT에 추가로 경로상의 중간 노드들의 공통 원인(Z)까지 모두 조건화한다. 즉, I(Xₜ₋τ; Yₜ | Pa(Yₜ) \ {Xₜ₋τ}, Pa(W₁), …, Pa(Wₖ)) 형태를 취한다. 이 정의는 ‘결합 강도 자율성(coupling strength autonomy)’을 만족한다는 점에서 의미가 크다. 즉, X와 Y가 다른 외부 변수에 의해 어떻게 구동되든, PMIT 값은 오직 X와 Y 사이의 인과 경로와 그 경로에 포함된 중간 프로세스들의 상호작용에만 의존한다. 이론적 측면에서 저자는 선형 가우시안 모델에서 PMIT이 Pearl의 do‑연산에 기반한 인과 효과와 동일함을 증명한다. 비선형·비가우시안 경우에도 CMI 기반 정의가 조건부 독립성을 보존하므로, 측도가 통계적 인과성의 정의와 일치한다. 또한, 전이 엔트로피와 MIT/PMIT의 차이를 Venn 다이어그램으로 시각화해, 전이 엔트로피가 포함하는 ‘공통 원인’과 ‘간접 경로’ 요소를 명확히 구분한다. 실험 부분에서는 세 가지 사례를 제시한다. (1) 단순 선형 체인 모델에서는 MIT와 PMIT가 이론적 기대값과 일치함을 확인한다. (2) 비선형 혼합 시스템에서는 전이 엔트로피가 과대평가하거나 잘못된 인과성을 나타내는 반면, PMIT는 실제 인과 경로만을 정확히 포착한다. (3) 실제 기후 데이터(유럽 대기 흐름)에서는 대서양에서 유입된 온난 공기가 독일·프랑스를 거쳐 북해로 전달되는 복잡한 경로를, 기존의 상관관계 기반 방법보다 명확히 구분한다. 특히, PMIT를 이용해 특정 경로가 전체 정보 흐름에 기여하는 비율을 정량화함으로써, 기후 모델링 및 예측에 유용한 인과적 인사이트를 제공한다. 결론적으로, 이 논문은 인과 그래프 위에 정의된 조건부 상호정보량 기반 측도를 통해 직접·간접 정보 흐름을 명확히 구분하고, 중간 프로세스들의 매개 역할을 정량화한다. 이는 복잡계(기후, 뇌, 생물학적 네트워크 등)에서 “누가 언제 어디로 정보를 전달하는가”를 보다 정확히 파악하고, 실험적 조작이 어려운 시스템에서도 인과적 메커니즘을 추론하는 강력한 도구가 된다.