Entropic and algebraic transcript-based tools in time series analysis

두 명의 복잡한 춤추는 파트너를 이해하려고 상상해 보세요. 그들의 움직임을 단순히 지켜보는 것만으로는 부족합니다. 그들의 혼란스러운 발걸음을 단순한 언어로 번역하여 비교할 수 있는 방법이 필요합니다. 이 논문은 바로 시계열 데이터(주식 가격, 심장 박동, 또는 기상 패턴 등) 를 위해 그런 일을 수행합니다.

다음은 간단한 비유를 사용하여 그들의 작업을 분해한 것입니다:

1. "서열 패턴 (Ordinal Patterns)"의 언어 (춤 동작)

일반적으로 데이터를 분석할 때 우리는 정확한 숫자를 봅니다. 하지만 저자들은 더 지적인 방법을 제안합니다: 기호화 (Symbolization).
파도의 정확한 높이를 보는 대신, 짧은 창 (window) 을 통해 파도의 형태를 봅니다.

• 비유: 춤 동작을 상상해 보세요. 다리를 들어 올리는 정확한 인치를 중요하게 여기지 않습니다. 대신 순서를 중요하게 여깁니다: "왼발, 그다음 오른발, 그다음 점프."
• 수학적으로 이러한 "형태"를 **서열 패턴 (Ordinal Patterns)**이라고 부릅니다. 이는 숫자의 시퀀스를 순열 (Permutation) (1-3-2 와 같은 특정 순서의 항목들) 로 변환합니다.
• 이러한 순열들은 (춤 동작을 섞는 것처럼) 결합될 수 있으므로, 엄격한 규칙을 가진 군 (Group) (수학적 가족) 을 형성합니다. 이것이 바로 "대수적 표현 (Algebraic Representation)"입니다.

2. "전사 (Transcript)": 비밀 해독기

이 논문의 주인공은 **전사 (Transcript)**입니다.

• 비유: 파트너 A 가 동작 (이를 '동작 X'라고 부르겠습니다) 을 하고 파트너 B 가 동작 ('동작 Y') 을 한다고 상상해 보세요. 전사는 동작 X 를 동작 Y 로 바꾸는 데 필요한 "번역" 또는 "지시사항"입니다.
• 파트너 A 가 동작을 하고 파트너 B 가 정확히 같은 동작을 한다면, 전사는 "아무것도 하지 않음 (Do Nothing)" (항등원) 입니다.
• 그들이 다른 동작을 한다면, 전사는 한 동작을 다른 동작으로 어떻게 변환해야 하는지 정확히 알려줍니다.
• 중요한 이유: 이러한 전사들은 수학적 "군 (Group)" 안에 존재하므로, 강력한 대수적 도구를 사용하여 두 춤추는 파트너가 얼마나 유사하거나 다른지 측정할 수 있습니다.

3. 도구 상자: 춤 측정하기

저자들은 두 춤추는 파트너가 **동기화 (synchronized)**되었는지 (완벽한 발맞춤으로 춤추는 것) 아니면 단순히 서로 가까이서 춤추는 것인지를 감지할 수 있는지 확인하기 위해 여러 도구를 테스트했습니다.

• 엔트로피 (혼란계): 전사의 무작위성을 측정합니다. 춤추는 파트너들이 완벽하게 동기화되면 전사는 지루합니다 (항상 "아무것도 하지 않음"이므로), 따라서 엔트로피는 낮습니다. 그들이 혼란스러우면 엔트로피는 높습니다.
• 발산 (Divergence) 및 복잡도: 이는 전사의 패턴이 완전히 무작위인 추측과 얼마나 다른지를 측정합니다.
• 상호 정보 (Mutual Information): 파트너 A 의 동작을 알면 파트너 B 의 동작을 예측하는 데 도움이 되는지 확인합니다.
• 순서 클래스 (Order Classes): 전사를 그들의 "복잡도" (해제하는 데 걸리는 단계 수) 에 따라 그룹화합니다.
• 거리 (Cayley 및 Kendall): 이들은 자와 같습니다. 한 순열을 다른 순열로 바꾸는 데 필요한 최소 "스왑 (교환)" 횟수를 세어줍니다.
  • Cayley 거리: 임의의 두 항목을 스왑합니다.
  • Kendall 거리: 이웃한 항목만 스왑합니다 (예: 옆에 있는 사람과만 스왑하여 사람 줄을 정렬하는 것).

4. 새로운 스타: "유사도 거리 (Similarity Distance)"

저자들은 **유사도 거리 (Similarity Distance)**라는 새로운 도구를 소개했습니다.

• 그것은 무엇인가: 그것은 단순히 시간 경과에 따른 두 시계열 사이의 평균 Kendall 거리입니다.
• 비유: 복잡한 확률 차트나 엔트로피 그래프를 보는 대신, 이 도구는 단순히 이렇게 묻습니다: "평균적으로 파트너 A 의 동작을 파트너 B 의 동작으로 바꾸는 데 몇 개의 작은 단계가 걸립니까?"
• 결과: 그들의 테스트 (Hénon 맵이라는 유명한 혼돈 시스템을 사용) 에서 이 새로운 도구가 가장 뛰어난 성능을 보였습니다.
  • "약한 동기화" (약간 어긋난 춤추는 파트너) 와 "강한 동기화" (완벽하게 잠긴 춤추는 파트너) 를 명확하게 분리했습니다.
  • 다른 도구들 (예: 엔트로피 -복잡도 평면) 은 messy 해지고 서로 다른 유형의 동기화를 혼동했습니다. 유사도 거리는 깔끔하고 곧은 선을 제공했습니다: 약한 동기화에는 높은 거리, 강한 동기화에는 낮은 거리.

5. "금지된" 동작

가장 멋진 발견 중 하나는 **금지된 전사 (Forbidden Transcripts)**에 관한 것입니다.

• 춤추는 파트너들이 특정 유형의 동기화 상태에 있을 때, 특정 "번역 동작"이 불가능해집니다.
• 약한 동기화: 춤추는 파트너들이 너무 어긋나서 절대 정확한 같은 동작을 하지 않습니다 ("아무것도 하지 않음" 전사는 금지됩니다).
• 강한 동기화: 그들이 너무 단단히 잠겨서 오직 "아무것도 하지 않음" 동작만 하고, 모든 복잡한 번역 동작은 금지됩니다.
• 새로운 유사도 거리는 이러한 "금지 구역"을 완벽하게 포착하므로, 그토록 잘 작동합니다.

요약

이 논문은 시계열 데이터를 "군 언어 (순열)"로 번역하고 **전사 (그들 사이의 변환)**를 사용하여 복잡한 시스템을 분석하는 더 나은 도구를 구축할 수 있다고 주장합니다.

그들은 많은 도구를 테스트했고, 가장 간단한 것—두 시계열의 동작 사이의 평균 거리 (유사도 거리)—가 느슨하게 연결된 시스템과 단단하게 동기화된 시스템 사이의 차이를 말해 주는 데 가장 정확하다는 사실을 발견했습니다. 이는 두 개의 혼돈 시스템이 서로 얼마나 "대화"하고 있는지 측정하는 새로운, 더 날카로운 자입니다.