링크 스위칭을 이용한 계층적 모듈 네트워크 생성 방법

초록

본 논문은 사전에 정의된 트리형 토폴로지를 이용해 노드 간 관련성을 거리(edge distance)로 정의하고, 해당 거리를 증가시키는 방향으로 링크를 교환(link switching)함으로써 원하는 차수 분포를 유지하면서 계층적 모듈 구조를 가진 네트워크를 생성하는 알고리즘을 제안한다. 새로운 모듈성 지표 Q₂를 도입해 무작위 그래프와 모듈화된 그래프의 차이를 정량화하고, 클러스터링, 평균 경로 길이, 스몰월드성 등 기존 네트워크 특성에 미치는 영향을 실험적으로 분석한다.

상세 분석

이 논문은 기존의 확률 기반 모듈 네트워크 생성 모델과는 근본적으로 다른 접근법을 제시한다. 핵심 아이디어는 “edge distance”라는 개념으로, 사전에 정의된 이진 트리 형태의 분해 토폴로지 T에서 두 노드가 공유하는 가장 긴 내부 경로의 길이로 정의한다. 이 거리값이 클수록 두 노드는 같은 모듈에 속할 가능성이 높다고 가정한다. 알고리즘은 먼저 주어진 차수 리스트(ndl)를 만족하는 무작위 그래프 G₀를 생성하고, 무작위 엣지 교환을 통해 편향을 제거한 Gᵣ을 만든다. 이후 T를 구축하고, Gᵣ의 모든 엣지에 대해 edge distance와 그 보완값(ced)을 계산한다. ced가 큰 엣지는 “짧은 거리” 즉, 같은 모듈 내에 있을 가능성이 높은 엣지로 간주되어 교환 후보에 더 많이 등장한다. 교환 단계에서는 두 엣지 쌍을 선택하고, 네 가지 가능한 재배열 중 edge distance 곱(ped)이 가장 큰 쌍을 채택한다. 이 과정은 edge distance를 전반적으로 증가시키면서, 모듈 내부 연결을 강화하고 모듈 간 연결을 감소시키는 방향으로 네트워크를 재구성한다.

모듈성 측정은 기존의 Q(모듈성) 지표와는 별도로 Q₂를 도입한다. Q₂는 두 그래프 A와 B의 평균 edge distance(aed)를 이용해 Q₂ = (aed_B – aed_A) / aed_A 로 정의한다. aed_B > aed_A이면 Q₂ > 0, 즉 B가 A보다 더 모듈화되었다는 의미이다. 이 방식은 토폴로지 T에 기반한 상대적 모듈성을 정량화하므로, 전통적인 커뮤니티 탐지 기반 Q와 비교했을 때 토폴로지 의존성이 명확히 드러난다.

실험에서는 N=200인 14개의 차수 리스트를 사용했으며, 정규분포와 다양한 파워‑랭크(γ=4.0, 3.0, 2.6)를 포함한다. 각 리스트에 대해 무작위 그래프와 모듈화된 그래프를 생성하고, edge distance 분포, 클러스터링 계수, 평균 최단 경로, 스몰월드 지표, degree assortativity, betweenness centrality 등을 비교한다. 결과는 모듈화 과정이 edge distance를 크게 늘리고, 클러스터링 계수를 상승시키며, 평균 경로 길이는 약간 증가하지만 스몰월드 특성은 유지된다는 것을 보여준다. 특히 고차수 노드가 많은 경우(예: ndl 13, 14)에는 모듈 간 연결을 피하기 어려워 Q와 Q₂ 값이 상대적으로 낮아지는 현상이 관찰된다. 이는 차수 분포 자체가 구조적 제약을 가함을 시사한다.

알고리즘의 복잡도는 교환 반복 횟수 P_g·