차세대 무선 네트워크는 특히 AI Radio Access Network (AI-RAN) 및 Open Radio Access Network (O-RAN)와 같은 AI 통합 및 개방형 무선 접속 네트워크 아키텍처에서, 서로 다른 네트워크 목표를 동시에 최적화하는 여러 개의 동시적인 AI 기반 제어 기능에 의존할 것으로 예상됩니다. 이러한 기능들이 상호작용할 때, 원시 네트워크 데이터만으로는 탐지하기 어려운 방식으로 서로 간섭할 수 있습니다. 이러한 상호작용을 관리하기 위해 누락된 핵심 요소는, 특정 시점에 어떤 제어 파라미터 (control parameters)가 어떤 네트워크 성능 결과에 활발하게 영향을 미치고 있는지를 포착하는 신뢰할 수 있고 해석 가능한 의존성 구조 (dependency structure)입니다. 본 논문은 노이즈가 있는 연속적인 텔레메트리 (telemetry) 데이터를 파라미터 활동 및 KPI 응답의 이진 지표 (binary indicators)로 변환함으로써, 이러한 의존성 학습을 지원하는 데 필요한 이벤트 탐지 (event-detection) 단계에 초점을 맞춥니다. 주요 어려움은 데이터의 모든 변동이 실제 제어 상호작용을 반영하는 것은 아니기 때문에, 방법론이 실제 파라미터-결과 관계를 배경 변동 (background variation)으로부터 구별해야 한다는 점입니다. 파라미터-KPI의 정답 (ground truth)이 알려진 실제 AI-RAN 트래픽 트레이스 (traffic traces)를 얻기는 어렵기 때문에, 우리는 잠재적 의존성 (latent dependencies)이 심어진 합성 폐루프 트래픽 생성기 (synthetic closed-loop traffic generator)를 도입합니다. 우리는 이 제어된 텔레메트리를 사용하여, 연속적인 트레이스를 이진 이벤트 지표로 변환하는 과정을 유의성 탐지 (significance-detection) 문제로 공식화한 머신러닝 기반의 의존성 복구 파이프라인을 평가합니다. 실험적 평가 결과, 제안된 파이프라인은 신호가 배경 변동으로부터 충분히 분리되어 있을 때 노이즈가 있는 연속 트레이스로부터 잠재적 의존성 구조를 안정적으로 복구함을 보여주었으며, 임계값 보정 (threshold calibration)이 이벤트 탐지 품질을 제어하는 핵심 요소임을 강조했습니다. 이러한 결과는 적응형 AI-RAN 제어 시스템을 위한 해석 가능한 의존성 학습을 향한 기초적인 단계가 됩니다.