Implications of hierarchical Markov models of behavior: on irreversibility, predictability, and dimensionality

기술적 요약: 계층적 마르코프 행동 모델의 함의

문제 정의
동물 행동을 연구하기 위한 정량적 도구의 성숙은 자발적 행동을 신경학적으로 잘 정의된 정형화된 "음절(syllables)"의 시퀀스로 표현할 수 있게 하였다. 잠재 상태(latent states)를 명시적으로 고려함으로써 마르코프 체인 모델이 실제 데이터(예: C. elegans, 유생 제브라피시, 생쥐)에 성공적으로 적합되어 왔으나, 근본적인 이론적 질문은 여전히 남아 있다. 즉, 행동의 거친 구조가 마르코프 모델에 의해 정확하게 설명될 수 있다면, 이 모델들이 실제로 행동의 고차원적 구조에 대해 무엇을 밝혀주는가 하는 점이다. 구체적으로, 저자들은 행동의 시퀀스적 특성과 행동 역학의 유효 차원에 초점을 맞추어, 행동을 정량화하는 과정에서의 진전이 갖는 이론적 의미를 명확히 하고자 한다.

방법론
저자들은 행동 데이터에 적용된 연속 시간 마르코프 체인의 수학적 분석을 사용한다. 그들의 접근 방식은 다음과 같다:

1. 모델 공식화: 행동을 $H$라는 무한 소 미분 확률 전이 행렬에 의해 제어되는 $N_B$개의 이산적 음절 집합으로 취급한다. 관찰 가능한 행동의 비마르코프적 특징을 해결하기 위해 잠재 상태(예: 허기, 사회적 참여)의 포함을 가정한다.
2. 비가역성 분석: 시간 역전 체인(수반 행렬 $\tilde{H}$)을 통해 비가역성을 정의하고, 엔트로피 생성율(EPR)을 통해 상세 균형(detailed balance)으로부터의 편차를 정량화한다.
3. 차원 분석: 두 가지 구별된 차원의 개념을 조사한다:
   • 역학적 차원(Dynamical Dimensionality): $H$의 스펙트럼 분해(고윳값 $\lambda_k$ 및 고유벡터 $v_k$)로부터 도출된다. 이는 특정 시간 규모 $\tau$ 동안 행동 분포 $p(t)$의 궤적을 설명하는 데 필요한 모드(mode)의 수를 측정한다.
   • 예측 차원(Predictive Dimensionality): 과거-미래 커널 $K(\tau)$의 고윳값으로부터 도출된다. 이는 과거와 미래 상태 사이의 상호 정보량(분산으로 근사됨)의 일정 임계치(예: 90%)를 포착하는 데 필요한 직교 벡터의 수를 측정한다.
4. 계층적 구조: 잠재 상태가 행동 전이를 조절하는 모델을 분석하며, 단일 섭동 이론(singular perturbation theory)을 활용하여 전체 시스템의 스펙트럼 구조가 각 구성 요소와 어떻게 연관되는지 이해한다.
5. 데이터 적용: 이론적 개념들은 토이 모델(bag 모델, cyclic 모델)과 Weinreb 등(2026)의 오픈 필드 생쥐 행동 데이터에 적합된 계층적 마르코프 모델을 통해 예시된다.

주요 기여 및 결과

• 비가역성과 시퀀스 구조:
  저자들은 비가역성이 행동 마르코프 체인의 정량화 가능한 속성임을 입증한다. 시간 역전 체인을 정의함으로써, 저자들은 순방향 체인이 역방향 체인과 유의미하게 다를 경우 행동이 "시퀀스적(sequence-like)"임을 보여준다.

  • 결과: 실제 동물의 행동은 0이 아닌 엔트로피 생성율(EPR)을 나타내며, 이는 행동이 비가역적임을 확인시켜 준다. 생쥐 데이터에서 EPR은 잠재 상태에 따라 변하였으며, "사회적 참여" 상태는 다른 상태(예: 그루밍 또는 이동)보다 약 두 배 높은 EPR을 보였다. 이는 맥락 의존적인 시퀀스 복잡성을 시사한다.

• 역학 및 예측성을 통한 유효 차원:
  논문은 행동의 차원을 정의하는 두 가지 방식을 구분한다:

  • 역학적 차원: 전이 행렬 $H$의 시간 규모($\tau_k = -1/\text{Re}(\lambda_k)$)에 기반한다. 이는 주어진 시간 규모에서 얼마나 많은 고유벡터가 활성화되는지를 반영한다.
  • 예측 차원: 미래 상태를 예측하는 데 필요한 복잡성을 반영하는 커널 $K(\tau)$에 기반한다.
  • 결 result: 상세 균형을 따르는 시스템의 경우, 이 두 차원은 유사하다. 그러나 매우 비가역적인 시스템(예: 생쥐 데이터)의 경우, 예측 차원이 역학적 차원보다 현저히 크다. 이는 비정규 역학(non-normal dynamics, 고유벡터들이 거의 정렬되어 있는 경우)에서 동일한 예측력을 포착하기 위해 더 많은 직교 벡터가 필요하기 때문이다.

• 계층적 스펙트럼 구조:
  잠재 상태가 행동을 조절하는 계층적 모델에서, 전체 시스템의 스펙트럼 구조는 각 잠재 상태 내에서의 행동 전용 체인의 스펙트럼의 합집합과, 잠재 상태 전이에 해당하는 추가적인 느린 모드들의 합집합과 거의 일치한다.

  • 결과: 생쥐 데이터 분석 결과, 스펙트럼의 대부분은 개별 잠재 상태의 스펙트럼 합집합과 일치한다. 그러나 전체 모델에서 가장 긴 시간 규모(가장 느린 역학)는 행동적 전이가 아닌, 잠재 상태 간의 전이로부터 독점적으로 발생한다.

• 전역적 vs 국소적 속성:
  저자들은 고윳값과 고유벡터가 행동의 "전역적(global)" 요약 정보를 제공한다는 점을 강조한다. 이는 단순히 국소적인 전이율이 아니라 전체 전이 그래프의 구조에 의존하며, 해석 가능한 시간 규모와 행동 모드(예: 깨어 있는 상태의 평형화 vs 수면으로의 전이)를 제공한다.

의의 및 주장
저자들은 본 연구가 새로운 행동 모델을 제안하는 것이 아니라, 기존 마르코프 모델의 이론적 함의를 명확히 하는 것이라고 주장한다.

• 개념적 명료화: 마르코프 모델을 단순한 기술적 요약이 아닌 행동의 설명으로서 엄밀하게 다룸으로써, 역학적 차원과 예측 차원의 구분과 같은 개념적 문제들을 밝혀낼 수 있다.
• 정량적 통계: 제안된 지표들(EPR, 차원, 시간 규모)은 행동의 "통계량" 역할을 하여, 질적 묘사를 넘어 다양한 맥락, 잠재 상태 또는 종 간의 정밀하고 정량적인 비교를 가능하게 한다.
• 한계 및 범위: 저자들은 이러한 결과가 행동의 선택된 입도(granularity, coarse-graining)에 달려 있음을 명시적으로 언급한다. 그들은 파셀레이션(parcellation)에 따라 결과가 달라질 수 있지만, 위상적 데이터 분석(TDA)의 "바코드"와 유사한 간결성의 원리와 다중 척도 분석을 통해 이를 완화할 수 있다고 주장한다. 또한 매우 복잡한 환경에서는 상태 공간이 이러한 스펙트럼 분석을 수행하기에 지나치게 커질 수 있음을 경고한다.
• 광범위한 적용 가능성: 이 프레임워크는 특정 동물이나 시간 규모에 구애받지 않도록 설계되었으며, 이는 고차원 행동을 마르코프 체인으로 모델링할 수 있는 인공 에이전트 및 기타 시스템에도 적용될 수 있음을 시사한다.