성장 신경 세포 자동기(GNCA)는 견고한 자기 유지와 자기 복구가 가능하지만, 이러한 능력을 뒷받침하는 내부 역학 메커니즘은 아직 잘 이해되지 않았다. 본 연구에서는 학습된 GNCA 모델에서 내부 변동—은닉 채널 상태의 시간적 미세 변동성—의 역할을 조사하며, 이러한 변동성이 단순히 잔존 확률적 노이즈에 불과하다는 가정에 이의를 제기한다. 업데이트 비율 스윕, 공간 상관 측정, 집합적 상태 궤적의 차원 축소, 국소 손상 실험, 전달 엔트로피 벡터장 추정, 부분 정보 분해에 이르는 체계적 분석을 통해, 내부 변동이 공간적으로 구조화되어 있고, 끌리는 집합적 상태와 동적으로 결합되며, 손상 복구에 기여하는 분산된 소규모 크기 업데이트와 연관됨을 보인다. 손상은 잠재 상태 공간에서 전역적 편차를 유발한 뒤 점진적 재수렴으로 이어지며, 세포 대다수를 포함하는 허용 반경 밖에서 기준선 변동 역학과 연관된 분산된 소규모 크기 업데이트를 억제하면 복구가 크게 저해된다. 전달 엔트로피 분석은 공간적으로 분화된 복구 반응을 규명한다: 손상 부근에서는 교정적 내향 흐름이, 더 먼 거리에서는 외향 교란 전파가 공존한다. 부분 정보 분해는 또한 복구 과정에서 시너지 지배적 휴지 계산에서 중복성 증가 조율로의 체제 전환을 시사한다. 이러한 결과는 GNCA의 자기 복구가 고차원 비선형 집합 역학에서 발생하며, 내부 변동이 정보 흐름, 조율, 끌리는 순환 상태로의 복귀를 지원하는 기능적 구성 요소로 작용함을 나타낸다.
의미가 커뮤니케이션 교환을 통해 어떻게 전파되는지 정량화하는 연구는 계산 언어학에서 아직 충분히 발전하지 않은 분야이다. 본 연구에서는 대화 참여자 간 의미적 내용의 방향성 있는 흐름을 정량화하고, 다중 출처의 기여를 중복(redundant), 고유(unique), 시너지(synergistic) 성분으로 분해하는 정보 이론적 프레임워크를 제안한다. 제안하는 접근법은 대규모 언어 모델(LLM)을 자연어의 확률적 추정기로 활용하여 두 가지 측정값을 계산한다: 화자 간 방향성 있는 예측적 영향을 포착하는 의미적 전이 엔트로피(STE, semantic transfer entropy)와, 복수의 출처가 수신자의 언어를 함께 어떻게 형성하는지를 분해하는 의미적 부분 정보 분해(SPID, semantic partial information decomposition)이다. 네 가지 실험을 통해, 이 프레임워크가 인지적으로 경직된 대화에서의 정보 흐름 감소를 탐지하고, 담론 형성에서 설득자의 지배적 역할을 포착하며, 치료사-내담자 정보 교환의 방향성을 통해 고품질 심리치료와 저품질 심리치료를 구별하고, 논증적 에세이에서 시너지적 전제 기여를 드러냄을 보인다. 이 프레임워크는 디지털 담론, 교육적 상호작용, 임상 대화, 그리고 언어적 교환의 구조가 연구 관심사인 모든 영역에서 정보 역학 연구를 위한 새로운 방향을 제시한다.
Embedded Polygon Symbolic Transfer Entropy (EPSTE): A Geometric Token and Deep Learning Approach to Estimating Transfer Entropy in Neuroimaging Time Series
EEG 및 MEG로부터 신경계 간의 방향성 상호작용을 추론하는 것은 노이즈, 비정상성, 그리고 정보 이론적 추정기의 높은 표본 복잡도(sample complexity)로 인해 여전히 어려운 과제입니다. 전달 엔트로피(Transfer Entropy, TE)는 방향성 정보 흐름에 대한 원칙적이며 모델 없는(model-free) 척도를 제공하지만, 유한 데이터 영역에서는 특히 임베딩 차원이 증가할수록 실용적인 추정이 안정적이지 않습니다. 본 연구는 임베딩된 다각형 기호적 전달 엔트로피(Embedded Polygon Symbolic Transfer Entropy, EPSTE)를 제안하며, 이는 TE 추정을 원시 신호 진폭이 아닌 국소 시간 형태학(local temporal morphology)의 구조화된 기호 표현 위에서 동작하는 학습 가능한 문제로 재구성하는 프레임워크입니다. 신경 시계열은 진폭, 곡률, 방향 변화와 같은 파형 구조의 상보적 측면을 인코딩하는 국소 삼중 샘플로부터 유도된 기하학적 원시 요소(primitive)들의 시퀀스로 분해됩니다. 이러한 원시 요소들은 기호 토큰으로 이산화되어, 기호적 TE가 추정되는 간결하면서도 표현력 있는 상태 공간을 형성합니다. 어텐션 기반 다중 인스턴스 학습(attention-based multiple-instance learning)을 갖춘 순환 신경망이 기호적 시간 윈도우의 bag으로부터 대리(surrogate) 검증된 TE 값을 예측하도록 학습됩니다. 이 방법은 AAL90 atlas를 사용해 분할(parcellated)된 소스 재구성 MEG 데이터에서 평가되었으며, 동일한 아키텍처와 지도(supervision)를 사용하는 표준 기호적 기준선과 비교되었습니다. 결과는 국소 윈도우 수준 예측은 노이즈가 많지만, 시행(trial)과 채널 쌍에 걸친 집계를 통해 안정적인 방향성 의존성을 산출함을 보여줍니다. 쌍(pair) 수준에서 EPSTE는 실제(ground-truth) 방향성 구조를 거의 완벽하게 복원하고 기준선보다 절대 오차가 유의미하게 낮아, 표현 기하학(representational geometry)이 정보 이론적 의존성의 실용적 학습 가능성을 가능하게 하는 데 핵심적인 역할을 함을 나타냅니다.
생태계, 기후 하위 시스템, 또는 빙상의 지리적 임계점(geographic tipping point)은 국지적 조기 경보에 심각한 도전을 제기합니다. Moran's I와 같은 고전적인 공간 지표는 전역 공간 구조를 요약하지만, 공간적 희석(spatial dilution), 유클리드 가정, 상관된 노이즈(correlated noise)라는 세 가지 문제에 취약합니다. 본 논문은 지리적 장(geographic field)을 시변 방향성 인과 네트워크로 표현하여 이 세 가지 문제를 해결하는 프레임워크인 시공간 인과 네트워크 진단(ST-CND)을 소개합니다. 핵심 워크플로우는 다음과 같습니다: (1) 전달 엔트로피(transfer entropy)를 통해 어떤 공간 노드가 다른 노드의 예측에 도움이 되는지 추론하여, 고정된 유클리드 이웃을 데이터 기반 정보 흐름 위상(topology)으로 대체합니다; (2) 동적 모드 분해(dynamic mode decomposition)를 통해 각 후보 서브네트워크 내의 국소 회복률을 추정합니다; (3) 높은 내부 변동, 높은 내부 동기화, 낮은 외부 결합이라는 세 가지 신호를 결합하여 가장 취약한 서브네트워크를 식별함으로써, 공간적으로 상관된 노이즈로 인한 오탐을 억제합니다. 합성 분기(synthetic bifurcations)와 인도-태평양 SST 및 북대서양 AMOC라는 두 가지 관측 해수면 온도 벤치마크에 대한 검증 결과, ST-CND는 국지적이고 해석 가능한 경보를 제공합니다. AMOC 작업에서 ST-CND는 0.783의 AUROC와 0.378의 임계 서브네트워크 IoU를 달성하여 recurrence-network 및 lambda-AR1 기준선(baseline)을 능가했습니다. 이 프레임워크는 지구 시스템 과학에서의 공간 조기 경보를 위한 해석 가능하고 확장 가능한 파이프라인을 제공합니다.