Modeling Animal Communication Using Multivariate Hawkes Processes with Additive Excitation and Multiplicative Inhibition

이 논문은 가산적 흥분과 승법적 억제를 결합한 다변량 호크스 프로세스를 제안하여 동물 발성의 시간적 의존성을 모델링하고, 이를 메어캣과 고래의 음향 통신 데이터에 적용하여 종 내 및 종 간 상호작용 패턴을 규명했습니다.

핵심

🎤 1. 문제: 동물들의 '소란스러운' 파티

동물들은 서로 소리를 내며 대화합니다. 예를 들어, 원숭이가 "위험하다!"라고 외치면 다른 원숭이들도 소리를 지르거나 (흥분), 혹은 숨어서 입을 다물기도 합니다 (억제).

기존의 수학 모델은 **"소리가 들리면 더 많이 소리 지른다"**는 '흥분' 현상은 잘 설명했지만, **"소리가 들리면 오히려 조용해진다"**는 '억제' 현상을 함께 다루기에는 무리가 있었습니다. 마치 비행기 엔진의 가속 페달 (흥분) 과 브레이크 (억제) 를 동시에 밟을 때, 차가 어떻게 움직일지 예측하기 어렵게 만드는 것과 비슷합니다.

💡 2. 해결책: "가속은 더하기, 브레이크는 곱하기"

저자들은 이 문제를 해결하기 위해 아주 똑똑한 방식을 고안했습니다.

• 기존 방식 (모두 더하기): "기초 소리 + 다른 동물 소리 - 방해 소리 = 최종 소리"라고 계산하려다 보니, '더하기'와 '빼기'가 서로 섞여서 어떤 것이 진짜 원인인지 알기 힘들었습니다.
• 새로운 방식 (흥분은 더하기, 억제 곱하기):
  • 흥분 (Excitation): 다른 동물의 소리가 들리면, 내 소리를 **더하기 (+)**로 늘립니다. (예: "누가 외치니까 나도 따라 외쳐야지!")
  • 억제 (Inhibition): 소리가 너무 많으면, 전체적인 활동량을 **곱하기 (×)**로 줄입니다. (예: "너무 시끄러우니까 전체적으로 목소리 톤을 낮춰야지.")

비유하자면:

식당에 손님이 들어오면 (흥분), 테이블 수가 더해집니다. 하지만 식당이 너무 붐비면 (억제), 모든 테이블의 음식 주문 속도가 곱셈으로 줄어듭니다.
이 방식 덕분에 "누가 왜 소리 지르는지"와 "왜 갑자기 조용해지는지"를 명확하게 구분할 수 있게 되었습니다.

🐾 3. 실제 적용: 두 가지 동물 이야기

저자들은 이 모델을 두 가지 실제 동물 데이터에 적용해 보았습니다.

A. 메르캣 (Meerkat, 사막 여우) - "소통의 마스터"

• 상황: 메르캣 무리는 세 가지 다른 소리를 냅니다.
  1. 가까운 소리 (Close call): 무리 유지용 (평소 자주 냄).
  2. 경보 소리 (Alarm): 포식자 발견 시 냄.
  3. 짧은 소리 (Short note): 다양한 상황 (날씨, 복종 등) 에서 냄.
• 발견:
  • 경보 소리를 들으면 다른 메르캣들도 경보 소리를 더 많이 냅니다 (흥분).
  • 하지만 가까운 소리와 짧은 소리 사이에는 서로 억제하는 관계가 있었습니다. 즉, "가까운 소리"를 내면 "짧은 소리"를 멈추게 하고, 그 반대도 마찬가지였습니다.
  • 해석: 메르캣들은 상황에 따라 소리를 섞지 않고, 서로 다른 목적 (먹이 찾기 vs 도망가기) 에 맞춰 소리를 조절한다는 것을 보여줍니다.

B. 고래 (Whale) - "각자의 길을 가는 이웃"

• 상황: 혹등고래와 대서양 흰긴수염고래가 같은 바다에서 소리를 냅니다.
• 발견:
  • 같은 종끼리는 소리가 들리면 더 많이 소리 냈습니다 (흥분).
  • 하지만 서로 다른 종 사이에는 아무런 반응이 없었습니다.
  • 해석: 두 고래는 같은 바다에 살지만, 서로의 소리에 반응하지 않습니다. 마치 다른 직장에서 일하는 두 팀이 같은 건물을 쓰지만, 서로의 회의 소리에 귀를 기울이지 않는 것과 같습니다. (먹이 사냥 방식이 달라서 서로 간섭하지 않는 것으로 추정됩니다.)

📊 4. 왜 이 연구가 중요한가요?

1. 정확한 해석: 이전에는 "소리가 들리면 소리가 줄어든다"는 게 '소리가 안 들린 건지', '억제된 건지' 알기 어려웠는데, 이 모델은 그 차이를 명확히 보여줍니다.
2. 환경 보호: 고래 데이터 분석 결과, 바다의 소음 (배 소리 등) 이 커지면 고래들이 소리를 줄이는 것으로 나타났습니다. 이는 소음이 고래의 의사소통을 방해한다는 강력한 증거로, 해양 보호 정책에 중요한 정보가 됩니다.
3. 범용성: 이 방법은 동물뿐만 아니라 재난 발생 시의 신고 전화, SNS 의 트윗 확산, 금융 시장의 주가 변동 등 "무언가가 일어나면 그 다음에 무엇이 일어날지" 예측해야 하는 모든 분야에 쓸 수 있습니다.

🏁 결론

이 논문은 **"동물들의 대화는 단순한 소음의 연속이 아니라, 서로를 자극하거나 멈추게 하는 정교한 춤"**임을 수학적으로 증명했습니다. 새로운 수학적 도구 (가속과 브레이크를 동시에 다룰 수 있는 모델) 를 통해, 우리는 이제 동물들이 서로 어떻게 소통하는지, 그리고 환경 변화가 그들의 대화에 어떤 영향을 미치는지 더 깊이 이해할 수 있게 되었습니다.

기술 요약

1. 문제 제기 (Problem Statement)

• 배경: 동물의 발성 (calls) 은 종종 시간적 의존성을 보이며, 이전 발성이 후속 발성을 유발 (흥분, excitation) 하거나 억제 (inhibition) 합니다. 이는 개체 내, 개체 간, 종 내, 종 간에서 발생할 수 있습니다.
• 기존 모델의 한계:
  • 전통적인 Hawkes 과정은 흥분 (이전 사건이 미래 사건 발생률을 높임) 을 잘 모델링하지만, **억제 (이전 사건이 미래 발생률을 낮춤)**를 포함할 때 문제가 발생합니다.
  • 기존 다변량 모델에서 흥분과 억제를 모두 **가산적 (additive)**으로 표현할 경우 (즉, $\lambda = \mu + \text{excitation} - \text{inhibition}$), 음의 강도 (negative intensity) 를 방지하기 위해 링크 함수 (link function) 를 사용해야 합니다.
  • 이는 식별 가능성 (identifiability) 문제를 야기합니다. 흥분과 억제 파라미터가 서로 상쇄되어 분리하기 어렵고, 모델 파라미터의 해석 (예: 분기 과정 해석) 이 모호해집니다.

2. 방법론 (Methodology)

저자들은 가산적 흥분과 승법적 억제를 결합한 새로운 다변량 Hawkes 과정 모델을 제안합니다.

A. 모델 사양 (Model Specification)

$K$개의 마크 (발성 유형) 에 대한 조건부 강도 함수 $\lambda_k(t)$는 다음과 같이 정의됩니다:

$$\lambda_k(t | H_t) = \underbrace{\left( \mu_k(t) + \sum_{\ell, i} \alpha_{\ell,k} g_{\ell,k}(t-t_i) \right)}_{\text{가산적 흥분 (Additive Excitation)}} \times \underbrace{\exp\left( - \sum_{\ell, i} \gamma_{\ell,k} h_{\ell,k}(t-t_i) \right)}_{\text{승법적 억제 (Multiplicative Inhibition)}}$$

• $\mu_k(t)$: 배경 강도 (covariates 포함).
• 흥분 항: 지수 커널을 사용하여 과거 사건이 현재 강도에 가산적으로 기여합니다.
• 억제 항: 지수 커널을 사용하여 전체 강도를 승법적으로 스케일링 (감쇠) 합니다.
• 제약 조건: 식별 가능성 문제를 해결하기 위해, 특정 마크 쌍 $(\ell, k)$에 대해 흥분 ($\alpha_{\ell,k}$) 과 억제 ($\gamma_{\ell,k}$) 가 동시에 존재하지 않도록 제약합니다 ($\alpha_{\ell,k} \cdot \gamma_{\ell,k} = 0$).

B. 베이지안 추론 (Bayesian Inference)

• 잠재 변수 (Latent Variables): 각 사건이 배경 사건인지, 이전 사건에 의해 유발된 (excited) 사건인지를 나타내는 잠재 분기 변수 (branching variables) 를 도입합니다.
• 샘플링: Metropolis-Hastings within Gibbs sampler 를 사용하여 사후 분포를 추정합니다.
• 모델 평가:
  • 무작위 시간 변화 정리 (Random Time Change Theorem, RTCT): 변환된 사건 간격이 Exp(1) 분포를 따르는지 확인하여 모델 적합도를 진단합니다.
  • WAIC (Widely Applicable Information Criterion): 예측 성능을 비교하기 위해 사용됩니다.

3. 주요 기여 (Key Contributions)

1. 해석 가능성 향상: 승법적 억제는 배경과 흥분 성분을 모두 비례적으로 조절하므로, 가산적 모델에서 발생하는 파라미터 간 혼란 (confounding) 을 줄입니다. 흥분 파라미터는 여전히 명확한 '분기 과정 (branching process)' 해석을 가질 수 있습니다.
2. 배경과 흥분의 분리: 이 구조를 통해 배경 사건과 흥분에 의한 사건의 기대 수를 직접적으로 추정하고 불확실성을 정량화할 수 있습니다.
3. 계산 효율성: MCMC 업데이트 시 강도 함수의 특정 성분만 평가하면 되어 계산 비용이 감소하고 혼합 (mixing) 이 개선됩니다.
4. 식별 가능성 문제 해결: 흥분과 억제가 동시에 작용하는 모호성을 제거하기 위한 제약 조건을 명시적으로 제시했습니다.

4. 실험 및 결과 (Results)

A. 시뮬레이션 연구

• 흥분만 있는 모델, 억제만 있는 모델, 그리고 제안된 모델 (흥분 + 억제) 을 생성하여 비교했습니다.
• 제안된 모델은 다양한 데이터 생성 시나리오에서 RTCT 와 WAIC 기준에 따라 가장 우수한 적합도를 보였으며, 특히 흥분과 억제가 모두 강한 경우에도 파라미터를 정확하게 복원했습니다.

B. 실데이터 분석 1: 카리브 (Meerkat) 발성 데이터

• 데이터: 남아프리카의 카리브 무리에서 수집된 3 가지 발성 유형 (Close call, Alarm call, Short note) 의 시간 시계열.
• 결과:
  • 흥분: Alarm 과 Short note 은 강한 자기 흥분 (self-excitation) 을 보였습니다. Alarm 은 Short note 을 유발했습니다.
  • 억제: Close call 과 Short note 사이에는 **상호 억제 (cross-inhibition)**가 관찰되었습니다. 이는 먹이 찾기 (Close call) 와 다른 상황 (Short note) 이 배타적임을 시사합니다.
  • 적합도: 흥분과 억제를 모두 포함한 모델 (i) 이 가장 적합했습니다.

C. 실데이터 분석 2: 고래 (Whale) 발성 데이터

• 데이터: 혹등고래 (Humpback) 와 북대서양 흰긴수염고래 (North Atlantic Right Whale) 의 발성 데이터.
• 결과:
  • 흥분: 두 종 모두 강한 자기 흥분을 보였습니다.
  • 억제: 종 간 (heterospecific) 또는 종 내 억제 효과는 통계적으로 유의미하지 않았습니다.
  • 소음 영향: 배경 소음 (ambient noise) 이 고래 발성 강도에 부정적인 영향을 미치는 것으로 나타났습니다.
  • 적합도: 이 데이터에서는 억제 없이 흥분만 있는 모델 (ii) 이 더 간결하면서도 적합했습니다.

5. 의의 및 결론 (Significance and Conclusion)

• 생물학적 통찰: 제안된 모델은 동물의 의사소통 시스템에서 흥분과 억제가 어떻게 작동하는지를 정량화하여, 발성 패턴이 사회적 행동 (예: 포식자 경고, 무리 유지, 경쟁) 과 어떻게 연결되는지 이해하는 데 기여했습니다.
• 방법론적 발전: 기존 Hawkes 과정의 한계를 극복하고, 복잡한 상호작용 (흥분과 억제 공존) 을 가진 시계열 데이터를 분석할 수 있는 강력한 통계적 도구를 제공했습니다.
• 미래 전망:
  • 공간적 의존성 추가: 시간뿐만 아니라 공간적 거리도 고려한 모델 확장 계획.
  • 개체 수준 분석: 카리브 데이터의 경우 개체별 발성 패턴을 더 세분화하여 분석.
  • 다른 분야 적용: 범죄 데이터, 전염병 모델링, 금융 시장 분석 등 다양한 분야로 확장 가능.

이 연구는 동물의 음향 의사소통을 이해하는 데 있어 통계적 모델링의 정밀도를 높였으며, 특히 억제 효과를 포함한 다변량 시계열 분석의 새로운 표준을 제시했다는 점에서 의의가 큽니다.