복잡 네트워크 링크 예측을 위한 효율적 유사도 지수

초록

본 논문은 복잡 네트워크에서 존재 가능성이 높은 미확인 링크를 빠르게 예측하기 위해 ‘지역 경로 지수(Local Path Index)’를 제안한다. 제안된 지수는 공통 이웃(Common Neighbors)보다 풍부한 구조 정보를 활용하면서도 Katz 지수와 비슷한 예측 정확도를 유지한다. 모델 네트워크와 여섯 개의 실세계 네트워크에 대한 실험 결과, 계산 시간과 메모리 사용량이 크게 감소함을 확인했으며, 대규모 데이터 마이닝에 실용적 후보임을 입증한다.

상세 분석

논문은 링크 예측 문제를 두 가지 관점, 즉 정확도와 효율성으로 접근한다. 기존에 널리 사용되는 공통 이웃 지수는 1‑hop 이웃만을 고려해 계산이 간단하지만, 네트워크 구조의 더 깊은 정보를 반영하지 못한다. 반면 Katz 지수는 모든 경로를 가중합해 풍부한 정보를 제공하지만, 행렬 역연산이 필요해 O(N³) 수준의 복잡도를 갖는다. 저자들은 이 사이의 절충점으로 ‘지역 경로 지수’를 정의한다. LP 지수는 두 노드 사이의 2‑hop 경로 수에 ε라는 작은 가중치를 곱해 1‑hop 공통 이웃과 합산하는 형태이며, 수식은 (s_{ij}= (A^2){ij}+ \epsilon (A^3){ij}) 로 표현된다. 여기서 A는 인접 행렬이며, ε는 0<ε<1 사이의 파라미터로 3‑hop 경로의 기여도를 조절한다. 이 설계는 2‑hop 정보(공통 이웃)와 3‑hop 정보(간접 연결)를 동시에 활용하면서도 행렬 곱셈 두 번만으로 계산이 가능해 O(N·⟨k⟩²) 정도의 선형에 가까운 복잡도를 유지한다.

실험 설계는 두 부분으로 나뉜다. 첫 번째는 ‘밀도와 잡음 강도’를 조절할 수 있는 인공 네트워크 모델을 구축해, 네트워크가 희소하거나 노이즈가 많을 때 LP 지수의 성능 변화를 관찰한다. 두 번째는 실제 데이터셋(신경생물학적 PPI, 인터넷 AS, 전자상거래, 소셜 네트워크 등) 여섯 개에 대해 AUC(Area Under Curve)와 Precision@L 지표를 사용해 비교한다. 결과는 대부분의 경우 LP 지수가 공통 이웃보다 높은 AUC를 보이며, Katz와 거의 동등하거나 약간 앞선 성능을 나타낸다. 특히 대규모 네트워크(노드 수 수만 이상)에서는 Katz의 메모리 요구량이 급증해 실행이 불가능한 반면, LP는 메모리 사용량이 10배 이하로 유지돼 실용성이 크게 부각된다.

또한 파라미터 ε에 대한 민감도 분석을 통해, ε가 0.01~0.05 사이에서 가장 안정적인 결과를 제공함을 확인한다. 이는 3‑hop 경로가 과도하게 강조될 경우 잡음이 증폭돼 성능이 저하되는 현상을 방지한다는 의미다. 저자들은 LP 지수가 ‘지역적’이면서도 ‘전역적’ 정보를 적절히 결합한 하이브리드 방식이라고 평가한다.

이 논문의 주요 기여는 다음과 같다. ① 간단한 수식으로 구현 가능한 고성능 링크 예측 지수를 제안, ② 복잡도와 메모리 효율성을 정량적으로 입증, ③ 다양한 네트워크 유형에 대한 광범위한 실험을 통해 일반성을 검증, ④ ε 파라미터 선택 가이드라인을 제공해 실무 적용성을 높임. 이러한 기여는 특히 대규모 소셜 미디어, 생물학적 상호작용 네트워크, 금융 거래망 등 실시간 혹은 배치형 데이터 마이닝 환경에서 유용하게 활용될 수 있다.