시간에 따라 변하는 확산 네트워크의 구조와 전파 속도 추정

초록

본 논문은 관측된 감염(전파) 시점 데이터만을 이용해, 정적인 네트워크상의 노드 간 전파율을 추정하고 네트워크 구조를 복원하는 방법을 제시한다. 전파 확률을 지수·멱법·레이리와 같은 연속 확률밀도함수로 모델링하고, 전체 로그우도 함수를 최소화하는 convex 최적화 문제로 변환한다. L1 정규화 효과가 자연스럽게 발생해 희소한 네트워크를 얻으며, 문제는 각 노드 쌍에 대한 독립적인 작은 문제들로 분할돼 수십만 노드 규모에도 확장 가능하다. 실험 결과, 기존 NetInf·ConNIe 등과 비교해 정확도와 재현율 모두 우수함을 보인다.

상세 분석

이 연구는 확산 현상을 “노드가 언제 감염(또는 정보를 획득)했는가”라는 시간 스탬프만으로 설명하려는 시도이다. 저자들은 먼저 전파가 정적인 방향성 그래프 위에서 일어나며, 각 간선 (j\rightarrow i)마다 고유의 전파율 (\alpha_{j,i})를 갖는다고 가정한다. 전파 확률밀도 (f(t_i|t_j,\alpha_{j,i}))는 지수, 멱법, 레이리 세 가지 형태 중 하나로 선택될 수 있으며, 각각의 생존함수 (S)와 위험함수 (H)는 로그-볼록성 및 볼록성을 만족한다는 점을 이용한다.

관측된 여러 개의 ‘cascade’(전파 사건 집합)에 대해 전체 로그우도는 각 노드가 최초 감염자를 통해 감염되는 확률과, 감염되지 않은 노드가 관측 기간 동안 살아남는 확률의 곱으로 전개된다. 이때 조건부 독립성을 가정함으로써 노드별, 간선별로 로그우도 항이 분리되고, 최적화 목표식은 (-\sum_{c\in C}\log f(t^{(c)};A)) 형태가 된다. 여기서 (A)는 모든 (\alpha_{j,i})를 모은 벡터이며, (\alpha_{j,i}\ge0) 제약만 존재한다.

핵심 이론적 기여는 두 가지이다. 첫째, 로그-볼록 생존함수와 볼록 위험함수를 갖는 전파 모델이라면 전체 목적함수가 볼록(convex)함을 증명함으로써 전역 최적해를 보장한다. 이는 지수, 멱법, 레이리 모두에 적용 가능하다. 둘째, 로그우도 식에 포함된 (\Psi_1)와 (\Psi_2) 항이 (\alpha)에 대한 가중 L1‑norm 형태를 자연스럽게 형성해, 별도의 정규화 파라미터 없이도 희소한 네트워크를 얻게 된다.

알고리즘적 측면에서 문제는 각 노드 (i)에 대해 “(i)를 감염시킬 수 있는 모든 잠재적 부모 (j)”를 고려하는 작은 최적화 문제로 분해된다. 따라서 병렬 처리가 가능하고, 메모리 요구량도 (O(N^2))에서 실제 사용되는 비제로 간선 수에 비례하는 수준으로 감소한다. 실험에서는 합성 데이터와 실제 블로그·소셜·전염병 데이터에 대해 NetRate(본 방법), NetInf, ConNIe를 비교했으며, 정밀도·재현율·전체 정확도 모두에서 NetRate가 우수함을 입증했다. 특히 전파 모델이 멱법이나 레이리와 같이 비단조적 형태일 때도 안정적인 복원이 가능했다.

이 논문은 전파율을 직접 추정함으로써 시간에 따라 이질적인 전파 속도를 모델링할 수 있다는 점에서 기존 연구와 차별화된다. 또한, 파라미터 튜닝이 필요 없는 자동 희소성 유도와 대규모 네트워크에 대한 확장성은 실무 적용 가능성을 크게 높인다. 다만, 전파가 독립적인 간선들 사이에서만 일어난다는 가정과, 관측 윈도우 내에 모든 감염 사건이 포함된다는 전제는 실제 상황에서 제한적으로 적용될 수 있다. 향후 연구에서는 동적 네트워크, 외부 감염원, 부분 관측 등 보다 복잡한 상황을 다루는 확장이 기대된다.