우리는 Glauber dynamics의 단일 궤적으로부터 $n$개의 변수에 대한 $d$-희소 가우시안 그래피컬 모델 (Gaussian graphical model)의 구조를 학습하는 과제를 연구합니다. 알고리즘적 고려 사항을 넘어, 많은 응용 분야에서는 독립 항등 분포 (i.i.d.) 샘플보다는 시간적으로 상관된 관측치를 제시합니다. 고전적인 i.i.d. 설정에서는 비교적 일반적인 희소성 (sparsity) 및 최소 에지 강도 (minimum edge-strength) 가정 하에 $n$에 대해 하위 선형 (sublinear-in-$n$) 샘플 보장이 알려져 있지만, 이를 다항 시간 (polynomial-time) 내에 달성하는 것은 여전히 미해결 과제로 남아 있습니다. 이러한 격차에 부분적으로 동기부여를 받아, 우리는 혼합 시간 (mixing time)에 의존하지 않는 궤적 길이 보장과 함께 단일 Glauber 궤적으로부터 조건부 독립 그래프 (conditional-independence graph)를 복구하는 다항 시간 알고리즘을 제시합니다. 기술적으로 우리의 알고리즘은 세 가지 구성 요소를 가집니다. 첫째, 우리는 조건부 분산 (conditional variances)을 추정하고 궤적을 재조정(rescale)하여 기저 그래프를 변경하지 않고 단위 대각 (unit-diagonal) 케이스로 축소합니다. 둘째, 우리는 쌍별 영향력 (pairwise influence)을 격리함으로써 짧은 업데이트 창 (update windows)으로부터 인접 정보 (adjacency information)를 추출하는 국소 에지 테스트 (local edge test)를 설계합니다. 셋째, 우리는 강건한 중앙값 기반 추정기 (robust median-based estimator)를 사용하여 이러한 국소 통계량을 집계하며, 단일 궤적에서 발생하는 시간적 의존성 (temporal dependence)에도 불구하고 정확성을 증명합니다.