시간 의존 네트워크의 새로운 패턴, 템포럴 모티프

초록

본 논문은 시간에 따라 활성·비활성되는 연결을 갖는 네트워크를 대상으로, 사건이 겹치지 않는 조건 하에서 “템포럴 모티프”라는 개념을 정의한다. 사건 순서와 위상 구조를 동시에 고려한 그래프 변환을 통해 효율적인 모티프 탐지 알고리즘을 제시하고, 이동전화 통화 데이터에 적용해 실제 네트워크에서 나타나는 주요 템포럴 모티프의 통계적 특성을 분석한다.

상세 분석

논문은 먼저 정적 네트워크에서의 모티프 개념을 시간적 네트워크에 확장한다. 여기서 핵심 제약은 한 노드가 동시에 여러 사건에 참여하지 못한다는 ‘비중첩’ 가정이다. 이를 기반으로 Δt‑연결성을 정의하고, Δt‑연속적인 사건들만을 포함하는 ‘유효 서브그래프(E*)’를 도입한다. 유효 서브그래프는 모든 노드가 해당 시간 구간 내에서 연속적으로 발생한 사건을 모두 포함하도록 하여, n‑스타와 같은 구조에서도 과도한 서브그래프 수를 억제한다. 템포럴 모티프는 이러한 유효 서브그래프들의 위상 동형성과 사건 순서가 동일한 경우 하나의 클래스로 묶는다. 위상 동형성 검증을 위해 사건과 노드를 각각 색깔이 다른 정점으로 변환한 유향 색깔 그래프를 만든 뒤, bliss와 같은 기존 그래프 동형성 알고리즘으로 정규형(canonical form)을 계산한다. 이 과정에서 사건 순서를 정수 라벨이나 집합 형태의 부분 순서(partial order)로 표현해, 흐름 기반(Flow) 모티프와 같이 순서가 완전하지 않아도 동일한 정보 흐름을 보장하는 경우를 포괄한다. 알고리즘 복잡도는 최대 서브그래프 탐색이 O(|E|), 유효 서브그래프 생성이 그래프 G의 모든 연결된 정점 집합을 탐색하는 형태로 설계돼 실용적인 규모의 데이터에도 적용 가능하다. 논문은 또한 모티프 통계의 의미를 평가하기 위한 널 모델(시간 무작위 재배열)과 인과성(causality) 해석 방법을 논의한다. 마지막으로, 1개월간의 모바일 통화 로그(수백만 건)에서 Δt=10분을 기준으로 3~4 사건으로 구성된 템포럴 모티프를 추출했으며, ‘A→B, B→C, C→D’ 형태의 연쇄 호출이 가장 빈번함을 확인한다. 이러한 결과는 인간 사회에서의 정보 전파 패턴이나, 바이러스 확산 모델링에 직접적인 시사점을 제공한다.