제품 채택, 질병 확산, 금융 위기, 정보 확산 등을 포함하여 많은 중요한 결과들은 역동적인 연쇄(cascade) 형태로 전개됩니다. 핵심적인 과제는 이러한 연쇄 이면에 숨겨진 영향력 네트워크(influence network)를 복구하는 것입니다. 기존 방법들은 일반적으로 특정 확산 모델(diffusion model)을 가정하며, 해당 가정이 잘못 지정될 경우 성능이 크게 저하됩니다. 우리는 확산 메커니즘을 명시할 필요가 없는, 네트워크 복구를 위한 Jacobian 기반 머신러닝 프레임워크인 CascadeNet을 제안합니다. 핵심 아이디어는 기저의 영향력 구조가 1단계 전이 함수(one-step transition function)의 Jacobian에 의해 특징지어질 수 있다는 것입니다. CascadeNet은 먼저 전이 함수의 유연한 추정치(estimator)를 구축한 다음, Riesz representer를 통해 Neyman-orthogonal debiasing을 적용합니다. 이를 통해 편향이 제거된 Jacobian은 $\sqrt{n}$-일치성(consistent)과 점근적 정규성(asymptotically normal)을 갖게 되어, 네트워크 구조에 대한 공식적인 추론(formal inference)을 가능하게 합니다. 우리는 시뮬레이션 실험과 실제 경험적 적용 모두에서 CascadeNet을 검증합니다. 데이터 생성 과정(data-generating process)을 알고 있는 시뮬레이션에서 CascadeNet은 9가지 일반적인 데이터 생성 과정에 대해 가장 높은 네트워크 복구 정확도를 달성했습니다. 스페인 52개 주에 걸친 COVID-19 전파에 대한 경험적 적용에서, CascadeNet은 실제 주 간 이동 네트워크와 유의미하게 상관관계가 있는 전파 네트워크를 복구한 반면, 베이스라인 방법들로 복구된 네트워크는 실제 정답(ground truth)과 유의미한 일치성을 보이지 않았습니다.