방향성 네트워크 동기화 보존을 위한 경로 기반 거시화 기법

초록

본 논문은 방향성 복잡 네트워크를 작은 규모로 축소하면서도 원래 네트워크의 동기화 특성을 유지하는 새로운 거시화 방법인 Path‑based Coarse Graining(PCG)을 제안한다. 노드 간 영향을 경로 길이에 따라 가중합한 임팩트 벡터를 정의하고, 이를 k‑means 군집화하여 유사한 노드들을 합친다. 이후 합쳐진 노드들의 연결 가중치를 적절히 재분배한다. 네 가지 대표적인 방향성 네트워크(트리, BA, WS, ER)에서 선형 안정성 분석과 Kuramoto 시뮬레이션을 수행한 결과, PCG는 무작위 거시화와 기존 스펙트럴 거시화보다 동기화 가능성을 훨씬 잘 보존한다는 것을 확인하였다.

상세 분석

PCG는 먼저 각 노드 x에 대해 모든 선행 노드로부터 도달 가능한 경로를 탐색하고, 경로 길이 l에 β^l이라는 지수 가중치를 곱해 누적한다. 이때 β는 짧은 경로에 더 큰 비중을 두도록 조정 가능한 자유 파라미터이며, l_max는 실제 네트워크에서 존재하는 최장 최단 경로 길이로 제한한다. 이렇게 얻은 임팩트 행렬 F의 열벡터는 노드 x가 받는 총 영향을 정량화한 N‑차원 임팩트 벡터가 된다. 동일하거나 유사한 임팩트 벡터를 가진 노드들은 동기화 과정에서 위상 차이가 작아지므로, 이들을 하나의 클러스터로 묶는 것이 동기화 특성 보존에 유리하다.

클러스터링 단계에서는 k‑means 알고리즘을 사용해 K개의 군집으로 노드를 분할한다. 초기 중심점 선택에 따라 지역 최소에 빠질 위험이 있으므로, 다수의 초기화를 시도하고 군집 내 제곱합 E가 최소가 되는 결과를 채택한다. 또한, 동기화 지표인 라플라시안 실수부 비율 R=λ_rN/λ_r2를 유지하기 위해, 합병 전후의 최대·최소 진입 차수를 동일하게 유지하도록 제약을 둔다. 이는 λ_N이 최대 진입 차수에, λ_2가 최소 진입 차수에 크게 의존한다는 기존 연구 결과와 일치한다.

링크 가중치 재조정은 Gfeller 방법을 차용해, 합병된 노드 m_i에 들어오고 나가는 모든 원래 링크의 가중치를 해당 클러스터 내 노드 수로 평균한다. 이렇게 하면 전체 흐름 보존과 동시에 네트워크의 총 연결 강도가 크게 변하지 않는다.

실험에서는 네트워크 종류별 β 최적값이 크게 달라짐을 발견했다. 트리와 비순환 BA에서는 β≈1 이상에서 가장 좋은 동기화 보존을 보였으며, 이는 짧은 경로가 동기화에 핵심임을 시사한다. 반면, 순환이 많은 WS와 ER에서는 β≈0.1 정도의 작은 값이 최적이었다. 이는 루프가 많을수록 장거리 경로보다 직접적인 인접 관계가 동기화에 더 큰 영향을 미친다는 해석과 일치한다.

비교 대상인 Random Coarse Graining(RCG)와 Spectral Coarse Graining(SCG)는 각각 무작위 클러스터링과 라플라시안 고유벡터 기반 군집화를 사용한다. RCG는 클러스터링 과정이 전혀 구조 정보를 반영하지 않기 때문에 동기화 지표 R가 크게 변동한다. SCG는 무방향 네트워크에서 효과적이지만, 방향성 네트워크에서는 고유벡터가 노드의 동적 역할을 충분히 포착하지 못해 동기화 보존에 한계가 있다. PCG는 이러한 한계를 극복하고, 특히 방향성 트리와 같은 계층적 구조에서 원본 네트워크와 거의 동일한 R 값을 유지한다.

복잡도 측면에서 PCG는 임팩트 행렬 계산 O(N^3)과 k‑means O(N^2) 단계가 필요하지만, β<1인 경우 Katz 지수와 유사한 빠른 계산 기법을 적용하면 O(N+M) 수준으로 낮출 수 있다. 따라서 대규모 실세계 네트워크에도 적용 가능성이 있다.

전체적으로 PCG는 노드 간 영향 흐름을 정량화하고, 이를 기반으로 구조적·동적 유사성을 동시에 고려한 군집화를 수행함으로써, 방향성 네트워크의 동기화 특성을 효과적으로 보존하는 새로운 거시화 프레임워크를 제시한다.