진화 네트워크에서 나타나는 만델브로트 법칙과 이동 계수의 정확한 추정

초록

본 논문은 선형 선호 부착을 갖는 성장 네트워크에서 정규화된 차수 분포가 만델브로트 법칙(p(k)∝(k+c)^‑γ) 형태를 띤다는 것을 보이고, 기존의 전·후 차분 근사법이 이동 계수 c를 크게 오차 내는 문제를 지적한다. 저자들은 재귀식 기반의 새로운 해석법을 제시해 c를 보다 정확히 계산하고, 시뮬레이션을 통해 그 우수성을 검증한다. 또한 실제 여섯 개 네트워크에 대한 실험을 통해 만델브로트 법칙이 파워‑법칙보다 데이터 적합도가 높음을 확인한다.

상세 분석

이 논문은 복잡계 네트워크 연구에서 흔히 가정되는 “스케일 프리” 파워‑법칙이 실제 데이터에서 종종 편차를 보이는 점에 주목한다. 특히 차수 분포를 p(k)∝(k+c)^‑γ 형태의 만델브로트 법칙으로 확장하면, 이동 계수 c가 분포의 꼬리 형태에 미치는 영향을 정량화할 수 있다. 기존의 평균장 근사, 마스터 방정식, 비율 방정식 등은 주로 지수 γ만을 다루고 c는 무시하거나 차분 근사(전방·후방 차분)로 추정했는데, 이는 실제 시뮬레이션과 비교했을 때 c값이 크게 왜곡되는 결과를 낳는다.

저자들은 선형 선호 부착 확률 Π(k)= (αk+β)/N 로 정의된 성장 모델을 설정한다. 여기서 β는 이동 계수와 직접 연결되는 파라미터이며, β=0이면 전통적인 BA 모델이 된다. 정규화 조건 Σkπ(k)p(k)=1을 이용해 α와 β 사이의 관계 α=1/