시간에 따라 변하는 네트워크 토모그래피를 위한 상태공간 혼합 멤버십 블록모델

초록

동적인 사회·생물학적 환경에서는 행위자 간 상호작용이 크게 그리고 체계적으로 변한다. 본 논문에서는 이러한 시간에 따라 변화하는 네트워크의 ‘동적 토모그래피’를 분석하기 위한 모델 기반 접근법을 제시한다. 제안 모델은 정적 네트워크에 대한 혼합 멤버십 확률 블록모델과 객체 궤적을 추적하는 상태공간 모델을 결합한 것으로, 기존 방법이 행위자를 하나의 고정된 역할에만 매핑하는 한계를 극복한다. 각 행위자는 시간에 따라 변하는 혼합 멤버십 벡터로 표현되며, 이는 행위자가 상황·상대에 따라 서로 다른 역할을 수행할 수 있음을 의미한다. 효율적인 근사 추론·학습 알고리즘을 설계했으며, 이를 사무엘 승려 네트워크, Enron 이메일 네트워크, 그리고 초파리 전 생애에 걸친 유전자 상호작용 재배선 네트워크에 적용하였다. 모든 사례에서 모델은 행위자들의 동적 역할 변화를 의미 있게 포착하였다.

상세 요약

이 논문이 제시하는 핵심 아이디어는 “시간에 따라 변하는 혼합 멤버십”이라는 개념이다. 기존의 확률적 블록모델(MSBM)은 각 노드가 고정된 하나의 블록(또는 역할)에 속한다고 가정한다. 그러나 실제 사회·생물 네트워크에서는 개인이 상황에 따라 여러 역할을 동시에 수행하거나, 시간이 흐름에 따라 역할 자체가 변한다는 점이 관찰된다. 이를 반영하기 위해 저자들은 각 노드의 역할을 확률적 벡터(혼합 멤버십)로 표현하고, 이 벡터가 시간에 따라 마코프ian 연속성을 갖는 상태공간 모델에 의해 진화하도록 설계하였다. 구체적으로, 매 시점 t에서의 혼합 멤버십 θ_i(t)는 정규분포 혹은 베타분포와 같은 연속형 잠재 상태를 통해 이전 시점 θ_i(t‑1)에서 부드럽게 전이된다. 이렇게 하면 급격한 변동보다는 점진적인 변화가 자연스럽게 모델링된다.

추론 단계에서는 변분 베이즈(Variational Bayes) 혹은 기대 최대화(EM)와 같은 근사 방법을 적용해, 고차원 잠재 변수(각 노드·시점·관계에 대한 역할 할당)와 모델 파라미터를 동시에 추정한다. 특히, 역할 할당 z_{i→j}(t)와 z_{j←i}(t) 를 각각 발신자와 수신자의 역할로 분리함으로써, 동일한 두 노드 사이에서도 방향성에 따라 다른 역할이 반영될 수 있다. 이는 이메일 네트워크와 같이 비대칭적인 상호작용을 다루는 데 큰 장점을 제공한다.

실험 결과는 세 가지 서로 다른 도메인에서 모델의 일반성을 입증한다. 첫 번째 사례인 Sampson의 승려 네트워크는 비교적 작은 정적 네트워크이지만, 시간에 따른 갈등·화해 과정을 통해 역할 전이가 뚜렷하게 드러난다. 두 번째 사례인 Enron 이메일 데이터는 수천 명의 직원과 수십만 건의 메일 교환을 포함하는 대규모 동적 네트워크이며, 모델은 조직 내 부서 이동, 프로젝트 착수·종료 등 구조적 변화를 역할 벡터의 변동으로 포착한다. 세 번째 사례인 초파리 전 생애 유전자 상호작용 네트워크는 생물학적 발달 단계마다 네트워크 토폴로지가 크게 재배열되는 특징을 보이는데, 제안 모델은 발달 단계별로 특정 유전자가 ‘조절자’·‘표적’ 역할을 교대로 수행한다는 생물학적 인사이트를 제공한다.

한계점으로는 (1) 상태공간 전이 모델이 선형·가우시안 형태에 제한될 경우, 급격한 전이(예: 급성 질환 발현) 를 충분히 설명하지 못할 수 있다. (2) 근사 추론 과정에서 지역 최적화에 빠질 위험이 존재하며, 특히 초기값 설정에 따라 결과가 크게 달라질 수 있다. (3) 대규모 네트워크(수십만 노드)에서는 메모리·시간 복잡도가 여전히 높은 편이며, 병렬화 혹은 샘플링 기반 스케일링 기법이 필요하다.

향후 연구 방향은 (가) 비선형·비가우시안 전이 모델(예: 뉴럴 ODE, 스위치드 다이나믹스) 도입, (나) 온라인 베이즈 업데이트를 통한 실시간 추적, (다) 역할 간 상호작용을 명시적으로 모델링하는 계층적 블록구조 확장, (라) 도메인 지식(예: 조직도, 유전자 경로)과의 통합을 통한 사전 정보 활용 등이다. 이러한 발전은 복잡계 네트워크에서 시간에 따른 역할 변화를 정량적으로 이해하고, 정책·치료·설계에 실질적인 인사이트를 제공하는 데 크게 기여할 것으로 기대된다.