복잡망의 스펙트럼 중심성: PageRank·Eigenvector·HITS 비교

초록

본 논문은 복잡 네트워크에서 페이지랭크, 고유벡터 중심성, HITS의 허브·권위 점수 등 스펙트럼 기반 중심성 지표들을 이론적으로 정리하고, 이들와 (in)degree 사이의 관계를 극한 경우에 유도한다. 또한 실제 네트워크에 적용해 순위 차이를 비교한다.

상세 분석

논문은 먼저 그래프의 기본 행렬인 인접행렬 A와 그 전치 행렬을 이용해 네 가지 중심성 지표를 정의한다. 페이지랭크(PR)는 전이 행렬 M = q · (1/n) + (1–q) · D_out⁻¹ A 로 만든 마코프 체인의 고유벡터이며, q는 점프 확률이다. q→0(무점프)와 q→1(완전 점프) 두 극한을 분석하고, 특히 q가 매우 작을 때 PR이 “전단자 수”에 비례한다는 사실을 트리 구조에서 귀납적으로 증명한다. 이때 PR 값은 q/n 단위의 정수배가 되며, 새로운 노드가 추가되면 그 노드와 연결된 경로상의 전단자들의 PR이 동일하게 q/n만큼 증가한다. 이를 이용해 DMS 성장 모델(선호적 부착, m=1)에서 PR 분포 P_PR(l)가 l⁻² 꼴의 파워‑로우를 따름을 마스터 방정식으로 도출하고, 시뮬레이션으로 검증한다.

고유벡터 중심성(EV)은 x = α · Aᵀx + ε 형태로 일반화한다. 여기서 ε는 모든 노드에 부여되는 작은 베이스 프레스티지이며, α는 이웃 기여의 가중치다. EV는 인접행렬 전치의 주특잇값에 해당하는 고유벡터이므로, 인디그리 0인 노드는 자동으로 0이 된다. ε를 도입함으로써 고립 노드에도 비제로 값을 부여하고, 전체를 정규화해 확률적 해석을 가능하게 한다.

HITS는 허브 점수 x와 권위 점수 y를 각각 AAᵀ와 AᵀA의 주특잇값 고유벡터로 정의한다. 이때 A가 비대칭이더라도 두 행렬은 대칭이므로 고유값이 실수이며, 허브와 권위는 서로를 강화하는 상호작용을 통해 수렴한다. 논문은 이 세 가지 스펙트럼 중심성이 (in)degree와 어떻게 연관되는지를 정량적으로 보여준다: PR은 인디그리와 이웃의 PR의 곱, EV는 인디그리와 ε·α의 선형 결합, HITS는 이중 연결 구조(허브‑권위)에서의 이중 인디그리(입·출)와 직접 연결된다.

마지막으로 실제 데이터셋(웹 그래프, 인터넷 토폴로지 등)에 적용해 순위 상관관계를 분석한다. PR과 EV는 높은 상관을 보이지만, HITS는 특정 서브그래프(예: 학술 인용망)에서 독특한 순위를 만든다. 특히 허브 점수는 높은 아웃디그리를 가진 노드에 집중되고, 권위 점수는 높은 인디그리를 가진 노드에 집중되는 경향을 확인한다. 이러한 차이는 네트워크의 기능적 역할(정보 전파 vs. 정보 수신)과 맞물려 해석될 수 있다.

전반적으로 논문은 스펙트럼 중심성의 수학적 구조를 명확히 하고, 극한 해석과 실증 분석을 통해 각 지표가 네트워크 구조와 동역학에 어떤 정보를 제공하는지 체계적으로 제시한다.