복잡 네트워크(Complex Network, CN) 분류는 스케일 불변(scale-invariant)이면서도 계산적으로 효율적인 고수준의 구조적 특성화를 필요로 합니다. 라이프-유사 네트워크 오토마타(Life-Like Network Automata, LLNA) 기반 방법은 사전에 제공된 특징 없이도 창발적 시간 패턴을 활용하여 네트워크 기술자(descriptor)를 추출하는 흥미로운 방식을 제공하지만, 그 효과는 오토마타 전이 규칙의 선택이라는 높은 비용의 조합 최적화 문제로 인해 병목 현상을 겪습니다. 기존 연구들은 대규모 응용에 실현 불가능한 전수 탐색(exhaustive search)에 의존하는 반면, 본 연구는 규칙 공간이 LLNA 전이 함수와 톱니 형태의 유사성을 정량화하는 '들쭉날쭉함(jaggedness)'이라는 특성으로 근본적으로 구조화되어 있음을 밝힙니다. 우리는 이 지표가 혼돈성(chaoticity)과 민감도(sensitivity)에 대한 이론적 대리 지표로 작용함을 입증하며, 이러한 특성은 네트워크 범주 간의 식별력 있는 동적 동작을 생성하는 데 필수적입니다. 나아가, 우리는 들쭉날쭉함을 활용하여 규칙 선택을 유도하는 휴리스틱 탐색 전략을 도입합니다. 실험 결과에 따르면 본 접근법은 전수 탐색 방식에 비해 계산 오버헤드를 90% 줄이면서도 전역 최적값 대비 5% 이내의 분류 정확도를 달성합니다. 우리의 발견은 패턴 인식을 위한 오토마타 기반 방법을 최적화하는 새롭고 효율적인 프레임워크를 제공합니다.
시계열 데이터는 다양한 응용 분야에 필수적이지만, 고품질 데이터셋에 대한 접근은 흔히 프라이버시 문제, 수집 비용, 레이블링(labelling) 문제로 인해 제약을 받는다. 합성 시계열 생성(synthetic time series generation)은 이러한 한계를 해결하기 위한 유망한 접근법으로 부상했다. 본 연구에서는 합성 시계열 생성을 위한 복잡 네트워크(complex network) 매핑의 활용을 조사하며, 분위수 그래프(Quantile Graph, QG) 표현과 그 역(inverse)에 초점을 맞춘다. 역 QG 매핑은 이전에 제안된 바 있지만, 범용 데이터 생성기로서의 가능성은 체계적으로 평가되지 않았다. 본 연구는 역 분위수 그래프(Inverse Quantile Graph, InvQG) 프레임워크로 생성된 합성 시계열의 충실도(fidelity)와 유용성(utility)을 모두 평가하는 포괄적인 실증 연구를 통해 이러한 공백을 해소한다. 이 평가는 통계적 특징 분석, 네트워크 기반 위상학적(topological) 특성, 그리고 시뮬레이션 데이터셋과 실제 데이터셋을 사용한 다운스트림 클러스터링(clustering) 및 분류(classification) 작업에서의 성능을 결합한다. 결과는 InvQG가 다양한 모델에 걸쳐 주변 분포(marginal distribution)와 단기 시간적 의존성(short-term temporal dependency)을 효과적으로 보존하는 동시에, 장기(long-range) 또는 고차(higher-order) 동역학을 포착하는 데에는 예측 가능한 한계를 보인다는 것을 보여준다.
생성 그래프 모델은 복잡계 네트워크를 이해하고 시뮬레이션하는 데 핵심적인 역할을 합니다. 그러나 기존 접근 방식들은 상호보완적인 장점과 한계를 지닙니다. 기전 모델(mechanistic model)은 해석 가능성을 제공하지만 인스턴스별 추정 방법에 의존합니다. 반면 심층 생성 모델은 분할 상환 추론(amortized inference)을 제공하지만 해석 가능성을 희생하며, 학습 중에 관측된 그래프 크기로 대체로 제한됩니다. 과학적 응용 분야에서는 두 패러다임의 장점을 모두 유지하는 프레임워크가 요구됩니다. 본 연구에서는 생성 모델과 매개변수 복원을 모두 함수 공간에서 정식화하여 이 두 접근법을 연결합니다. 다중프랙탈 스텝 그라폰(multifractal step graphon)은 복잡계 네트워크를 조밀하게 매개변수화하는 재귀적 구조를 통해 표준 스텝 그라폰을 확장합니다. 이러한 정식화는 매개변수를 복원하기 위한 신경망 역연산자(neural inverse operator)를 도입할 수 있게 하여, 학습 시 보지 못한 그래프 크기에 대해서도 추론을 가능하게 합니다. 본 연구에서는 합성 다중프랙탈 스텝 그라폰 실현치로만 학습된 제안 모델을 두 패러다임 모두와 비교 평가합니다. 실증 네트워크로 사전학습된 그래프 파운데이션 모델과 비교했을 때, 제안 방법은 제로샷(zero-shot) 그래프 생성 벤치마크의 4개 지표 중 3개에서 최고의 평균 성능을 달성하여 실제 그래프로도 전이됨을 보여줍니다. 또한 학습 말뭉치가 필요한 심층 모델이 접근하기 어려운 영역인 단일 관측 네트워크에도 제안 방법을 적용하였으며, 각 그래프마다 최적화를 수행하는 인스턴스별 방식과 비견할 만한 성능을 보였습니다. 다중 피험자 뇌파(EEG) 사례 연구에서는 추론된 매개변수가 기존의 네트워크 통계량보다 뇌 상태의 가역적 변화를 더 민감하게 추적함을 확인했습니다. 종합적으로 이러한 결과는 기전적 해석 가능성과 분할 상환 추론이 생성 그래프 모델 내에서 효과적으로 통합되어 복잡계 네트워크에 대한 이해를 향상시킬 수 있음을 나타냅니다.