기하 없이도 가능한 희소 네트워크 클러스터링

본 논문은 “희소성(sparsity)과 클러스터링(co‑clustering)이 동시에 존재하는 네트워크를 생성하려면 기하학적 거리 의존성이나 고차원 상호작용이 필수적이다”는 기존의 견해에 반박하고, 독립적인 엣지를 갖는 랜덤 그래프에서도 이러한 현상이 나타날 수 있음을 증명한다. 1. **문제 배경 및 기존 접근** - Erdős‑Rényi(ER) 모델은 엣지가 i.i.d.이며, 평균 연결 확률 p가 밀도와 클러스터링을 동일하게 만든다. 따라서 n→∞ 에서 p가 0이면 클러스터링도 0이 된다. - 이를 극복하기 위해 두 가지 큰 흐름이 있었다. 첫째, 엣지 간 의존성을 도입해 삼각형을 직접 생성하거나, 하이퍼그래프·단순 복합체(simplicial complex)와 같은 고차원 구조를 활용하는 방법. 둘째, 엣지는 독립성을 유지하되, 노드별 피트니스(w)라는 이질성을 도입해 연결 확률 pᵢⱼ = f(wᵢ,wⱼ) 로 정의하는 방법. 후자는 일반적으로 클러스터링을 만들지 못하고, 오직 거리‑의존형(예: 하이퍼볼릭 랜덤 그래프)에서만 양의 클러스터링을 얻었다. 2. **모델 정의 – Multi‑Scale Model (MSM)** - 각 노드 i에 피트니스 wᵢ를 i.i.d. 로 할당한다. 피트니스는 파레토형 ρ_α(w)=α w^{−1−α} (w≥1) 로, α∈(0,1) 이다. 이는 평균이 무한대이며, “무한 평균 피트니스”라는 핵심 가정을 만든다. - 연결 확률은 pᵢⱼ = 1 − e^{−δₙ wᵢ wⱼ} 로 정의한다. 여기서 δₙ = n^{−1/α} 로 스케일링하면 전체 링크 밀도는 log n / n 수준으로 사라지고, 평균 차수는 Θ(log n) 가 된다. - 이 모델은 네트워크 재규격화(renormalization) 흐름에서 불변점(fixed point)으로 등장한다. 즉, 노드들을 블록으로 묶어 슈퍼노드로 만들고, 블록 내 피트니스를 합산하면 같은 분포를 유지한다. 3. **클러스터링 분석** - 로컬 클러스터링 계수 C_v 를 전통적인 삼각형/와인드 비율로 정의하고, 차수 k에 대한 평균 함수 C(k) 를 도입한다. - “annealed” 평균 ⟨C(k)⟩ 를 계산하기 위해, 차수를 축소 변수 a = k/√n 로 변환한다. 그러면 a→0 (leaf) 와 a→∞ (hub) 두 영역에서 서로 다른 asymptotic 형태가 나타난다. - 정확한 적분식 (6) 은 g(x)=1−e^{−x} 와 τ_α=Γ(1−α)−1/α 를 포함한다. 수치 적분과 직접 시뮬레이션( n=10²~10⁴, α=0.3,0.5,0.7) 은 이 식과 거의 일치한다. - **Leaf regime (a→0)**: ⟨C⟩ → 1. 즉, 차수가 매우 작은 노드들은 거의 모든 가능한 삼각형을 실제 삼각형으로 만든다. - **Hub regime (a→∞)**: ⟨C⟩ ~ 2 Γ(1−α) log a / a² 로 급격히 감소한다. 고차수 노드들은 클러스터링에 거의 기여하지 않는다. 4. **전체 평균 클러스터링 ⟨C⟩** - ⟨C⟩ 를 a에 대한 분포 P(a) 로 평균하면, hub 영역의 기여는 0 으로 수렴하고, leaf 영역만이 유한한 값을 만든다. - 차수 0·1 노드를 포함하느냐에 따라 두 가지 경우가 존재한다. - 차수 0·1 노드를 제외하면 ⟨C⟩ → 1 (완전 클러스터링). - 차수 0·1 노드를 0 으로 정의하면 ⟨C⟩ → 1 − r_{0/1}, 여기서 r_{0/1}는 차수 0·1 노드 비율이다. - 시뮬레이션 결과는 이 이론적 한계와 일치한다. 5. **자기 평균성(Self‑Averaging) 붕괴** - ⟨C⟩ 를 조건부(weight) 평균으로 계산하면, n이 충분히 크더라도 실현마다 ⟨C⟩ 값이 크게 변동한다. 이는 “self‑averaging”이 깨졌음을 의미한다. 특히 차수 0·1 노드를 포함한 경우, ⟨C⟩ 의 평균값은 일정하지만 표준편차는 감소하지 않는다. - 이 현상은 무한 평균 피트니스가 초기에 큰 변동성을 남기며, 네트워크 통계량이 단일 실현에 민감함을 보여준다. 6. **의의 및 전망** - 무한 평균 피트니스를 도입한 독립 엣지 모델은 기하학적 거리 의존성이나 고차원 구조 없이도 (1) 희소성, (2) 멱법칙 차도, (3) 비제로 클러스터링을 동시에 만족한다. 이는 기존 모델들보다 훨씬 파라미터가 적고, 해석이 용이한 최소 모델이다. - 자기 평균성 붕괴는 실제 네트워크 데이터 분석 시 평균값만으로는 충분하지 않을 수 있음을 경고한다. 향후 연구는 이러한 비평균 현상을 정량화하고, 실세계 네트워크에서 무한 평균 피트니스가 실제로 존재하는지 검증하는 방향으로 진행될 수 있다.