성장 네트워크의 입도 분포와 외도 분포의 관계

초록

본 논문은 임의의 외도(out‑degree) 분포를 갖는 성장 네트워크에서 정지 상태 입도(in‑degree) 확률 P_in(k)를 정확히 계산한다. 선호 연결(preferential attachment) 하에서 외도 분포가 유한 분산을 가지면 입도 꼬리는 k⁻³ 형태를 보이며, 외도 분포가 파워‑law 꼬리 P_out(k)∼k⁻ᵅ(α>2)일 경우 α가 2~3 사이이면 입도 역시 동일한 지수 α를 갖는다. 매력(attractiveness) 항을 포함한 일반화 모델, 입·출도 상관관계, WWW와 학술 인용망에 대한 실증 분석 결과도 제시한다.

상세 분석

이 연구는 기존의 바라바시‑알버트(Barabási‑Albert) 모델을 확장하여, 각 노드가 생성 시 임의의 외도 수를 부여받는 일반적인 성장 과정에 초점을 맞춘다. 네트워크는 시간 t마다 새로운 노드가 등장하고, 그 노드는 사전에 정해진 확률분포 P_out(k)에 따라 k개의 유향 에지를 만든다. 이후 각 에지는 기존 노드 중 하나에 연결되는데, 연결 확률은 해당 노드의 현재 입도 D_in와 상수 매력 a의 합에 비례한다(선호 연결 규칙). 저자는 마스터 방정식을 이용해 입도 분포 P_in(k)의 정규화된 고정점 해를 도출하고, 이를 푸아송 변환과 특수 함수 전개를 통해 명시적으로 표현한다. 핵심 결과는 두 가지 경우로 나뉜다. 첫째, P_out(k)의 두 번째 모멘트가 유한한 경우(즉, 분산이 제한적)에는 입도 꼬리가 보편적으로 k⁻³의 보편적 지수를 갖는다. 이는 기존의 무한 분산 가정 없이도 스케일 프리 현상이 나타날 수 있음을 의미한다. 둘째, P_out(k) 자체가 파워‑law 꼬리 P_out(k)∼k⁻ᵅ(α>2)를 가지고, 특히 2<α<3 구간에서 분산이 무한할 때는 입도 꼬리도 동일한 지수 α를 유지한다. 이는 외도와 입도의 꼬리 지수가 일치하는 조건을 명확히 규정한다. α≥3이면 입도 꼬리는 여전히 k⁻³으로 수렴하고, α≤2(극단적인 경우)에서는 입도 꼬리가 더 무거워져 α와 동일한 형태를 보인다. 매력 항 a를 포함하면, 전체 지수는 a에 따라 미세하게 조정되지만, 위의 두 경우는 본질적으로 변하지 않는다.

또한 저자는 D_in과 D_out 사이의 상관관계를 정량화하기 위해 피어슨 상관계수와 조건부 기대값 E