무방향 비순환 네트워크를 위한 확률 그래프 모델

초록

본 논문은 인용 네트워크·식품망·전달형 신경망 등에서 나타나는 방향성 비순환 그래프(다이렉티드 에이시클릭 그래프, DAG)를 모델링하기 위해 두 가지 무작위 그래프 모델을 제안한다. 하나는 고정 엣지 수 모델, 다른 하나는 고정 엣지 존재 확률 모델이며, 각각 전통적인 무방향 랜덤 그래프의 G(n,m)·G(n,p)에 대응한다. 저자들은 각 모델에 대해 정점 쌍 간 연결 확률, 기대 입·출 차수 분포, 클러스터링 특성 등을 정확히 계산하고, 실제 DAG 데이터와 비교하여 이론값이 실측값과 높은 일치도를 보임을 입증한다.

상세 분석

이 연구는 기존 무방향 랜덤 그래프 이론을 방향성 비순환 구조에 확장한 점이 가장 큰 혁신이다. 먼저 저자들은 DAG의 핵심 제약인 “시간 순서”(topological ordering)를 명시적으로 도입한다. 모든 정점은 1부터 n까지의 순서에 따라 배치되고, 엣지는 항상 낮은 순서에서 높은 순서로만 연결된다. 이를 기반으로 두 모델을 정의한다. 첫 번째 모델은 정점 순서를 고정한 뒤, 전체 엣지 수 M을 미리 지정하고 무작위로 M개의 가능한 (i,j) 쌍(i<j)을 선택한다. 두 번째 모델은 각 가능한 (i,j) 쌍에 독립적으로 확률 p를 부여해 엣지를 생성한다. 두 모델 모두 정점의 입·출 차수는 이항분포(또는 다항분포)로 근사되며, 차수 시퀀스의 기대값은 순서에 따라 선형적으로 감소한다는 특성을 가진다.

연결 확률 P(i→j)는 모델에 따라 정확히 계산 가능하다. 고정 엣지 수 모델에서는 P(i→j)=M /