데이터 기반 복잡 네트워크의 확률적 골격 기후 사례

본 연구는 복잡계, 특히 기후 시스템에서 나타나는 장거리 상관관계(텔레커넥션)를 표현하기 위해 널리 사용되는 상관관계 네트워크(CN)의 한계를 비판하고, 베이지안 네트워크(BN)를 데이터 기반 복잡 네트워크의 확률적 골격으로 제안한다. 먼저, 전 세계 10도 격자(648개 노드)에서 1981~2010년 월별 표면 온도 이상값을 이용해 CN과 BN을 각각 구축한다. CN은 샘플 상관행렬에 임계값 τ를 적용해 엣지를 정의하는데, τ=0.50이면 3,118개의 엣지, τ=0.41이면 5,086개의 엣지가 생성된다. 낮은 τ는 약한 텔레커넥션을 포착하지만 지역적 강한 상관관계가 과도하게 연결돼 네트워크가 과밀해지고, 높은 τ는 지역적 연결만 남겨 중요한 전역적 구조를 놓친다. BN은 구조 학습 알고리즘을 통해 데이터의 조건부 의존성을 최대 우도와 복잡도 페널티를 동시에 고려해 추출한다. 결과적으로 BN은 1,796개의 엣지만으로도 CN(τ=0.41)보다 절반 수준의 엣지로 지역·전역 구조를 모두 재현한다. BN의 엣지는 다변량 가우시안 분포의 회귀 계수에 해당하며, 이는 각 엣지가 실제 통계적 인과관계 혹은 최소 충분 조건을 의미한다. 네트워크 토폴로지 분석에서는 베트위니스 기반 커뮤니티 탐지를 수행하였다. BN은 첫 번째 커뮤니티 분할 단계에서 열대, 극지, 북태평양 등 주요 기후 영역을 명확히 구분하고, 두 번째 단계에서 대서양·태평양·인도양 간 텔레커넥션을 드러낸다. 반면 CN은 대규모 연결된 열대 컴포넌트가 과도하게 형성돼 커뮤니티가 비균등하게 분할되고, 정보 엔트로피가 낮아 실제 물리적 의미가 제한적이다. 엔트로피 S를 커뮤니티 수 N_c에 대해 계산한 결과, BN은 거의 최댓값에 근접한 높은 S를 유지했으며, CN은 언제나 BN보다 낮은 값을 보였다. 확률 그래프 모델(PGM)로 확장해 로그우도와 교차 검증을 수행하였다. CN은 임계값에 따라 로그우도가 크게 변동했으며, 낮은 τ에서는 파라미터 수가 과다해 과적합, 높은 τ에서는 중요한 텔레커넥션을 놓쳐 과소적합이 발생한다. BN은 전체 데이터에 대해 높은 로그우도를 기록하고, 테스트 데이터에 대한 교차 검증에서도 일관된 성능을 보여 일반화 능력이 우수함을 확인했다. 특히 엘니뇨 기간 동안 텔레커넥션을 예측하는 실험에서 BN은 새로운 데이터에서도 정확히 텔레커넥션을 재현했다. 결론적으로, 베이지안 네트워크는 복잡계 데이터에서 중복을 최소화하고 핵심적인 조건부 의존성만을 보존함으로써, 물리적 해석 가능성과 예측 일반화 능력을 동시에 제공한다. 이는 기존의 임계값 기반 상관관계 네트워크가 갖는 주관성 및 과적합 위험을 극복하는 효과적인 대안이며, 기후 과학뿐 아니라 다양한 복잡 시스템 분석에 적용 가능하다.