시간에 따라 변하는 적합도와 이질성이 만든 네트워크 성장의 새로운 패러다임

초록

본 논문은 인용 네트워크 성장에 기존의 선호적 연결(PA) 모델만으로는 설명이 부족함을 지적하고, 노드별 이질적인 적합도(피트니스)가 시간에 따라 감소한다는 ‘관련성(relevance)’ 개념을 도입한다. 이 두 요소를 결합한 간단하면서도 해석 가능한 모델을 제시하고, 입력 가정에 따라 지수, 로그정규, 혹은 멱법칙 형태의 차수 분포가 나타남을 보인다. 실증 분석으로 APS 인용 데이터와 네트워크 이론 분야 논문 데이터를 이용해 관련성의 시간 감쇠와 전체 적합도 분포가 지수적임을 확인하였다.

상세 분석

이 연구는 복합 네트워크 이론에서 가장 오래된 메커니즘 중 하나인 선호적 연결(Preferential Attachment, PA)이 실제 시스템, 특히 과학 논문의 인용 네트워크에서 나타내는 한계를 정량적으로 드러낸다. 기존 PA 모델은 노드의 현재 차수에 비례해 새로운 연결이 이루어진다고 가정하지만, 이는 ‘첫 번째 움직임의 이점(first‑mover advantage)’을 과도하게 강조한다. 실제 데이터에서는 오래된 논문이라도 시간이 흐름에 따라 인용 가능성이 급격히 감소하고, 반대로 신생 논문도 일정 수준 이상의 인용을 받을 수 있음을 보여준다.

저자들은 이러한 현상을 ‘관련성(relevance)’이라는 새로운 변수 X_i(t,Δt)로 정의한다. X_i는 실제 인용 수와 PA가 예측한 인용 수의 비율로, 차수가 0인 경우는 제외하고 계산한다. 실증 결과, 최종 차수가 높은 논문일수록 초기 X_i값이 크지만, 3~5년 이후 급격히 감소하고 이후에는 거의 정체되는 두 단계 감쇠 패턴을 보인다. 또한 전체 관련성 X_T = Σ_t X_i(t)의 분포는 평균값 근처에서 급격히 떨어지는 지수 꼬리를 가지고 있다. 이는 ‘적합도는 이질적이지만, 그 총합은 제한된 범위에 머문다’는 가정을 뒷받침한다.

모델 구성은 다음과 같다. 네트워크는 매 시각마다 새로운 노드가 하나 추가되고, 기존 노드 i에 연결될 확률은

P(i,t) = k_i(t)·R_i(t) / Σ_j k_j(t)·R_j(t)

여기서 R_i(t)는 시간에 따라 감소하는 관련성 함수이며, k_i(t)는 현재 차수이다. 저자들은 Ω(t)=Σ_j k_j(t)·R_j(t) 가 충분히 많은 노드가 동시에 활발히 경쟁할 때 거의 일정하게 유지된다고 가정하고, 이를 상수 Ω* 로 근사한다. 이 가정 하에 마스터 방정식을 전개하면, 차수의 기대 성장식 d⟨k_i⟩/dt = k_i·R_i/Ω* 가 얻어지고, 초기 차수 1에서 시작한 노드 i의 최종 차수는

⟨k_i^F⟩ = exp