동질성에서 장기 통합까지: 이질적 노드의 순차적 네트워크 형성 모델

초록

이 논문은 이질적인 유형을 가진 노드가 순차적으로 네트워크에 진입하면서 무작위 만남과 네트워크 기반 탐색을 통해 연결을 형성하는 과정을 모델링한다. 탐색 과정에 유형 편향이 존재하더라도, 네트워크 기반 탐색이 편향되지 않을 경우 충분히 오래된 노드들의 이웃 구성이 전체 유형 비율에 수렴하는 ‘장기 통합(long‑run integration)’ 현상이 나타난다. 반면, 신규 노드의 연결은 여전히 초기 편향을 반영한다. 두 유형과 위치 기반 편향을 가정한 경우의 차수 분포와 집단 수준 동질성 패턴을 도출하고, 물리학 저널 인용 데이터를 통해 실증적 적용을 시연한다.

상세 분석

본 연구는 네트워크 형성 메커니즘을 “무작위 만남(random meeting)”과 “네트워크 기반 탐색(network‑based search)” 두 축으로 분리하고, 각 단계에서 유형(type) 의존적인 편향(bias)을 허용한다. 무작위 만남 단계에서는 새로운 노드가 기존 노드와 연결될 확률이 전체 인구 내 각 유형 비율에 비례하지만, 특정 유형에 대해 더 높은 혹은 낮은 선호도가 부여될 수 있다. 탐색 단계에서는 이미 연결된 이웃을 통해 추가 연결을 시도하는데, 이때 탐색이 ‘편향되지 않은(unbiased)’ 경우, 즉 이웃 선택이 단순히 연결된 노드의 수에 비례한다면, 시간이 흐를수록 오래된 노드의 주변 이웃 구성은 전체 인구의 유형 비율과 일치하게 된다. 이는 “장기 통합”이라 부르며, 네트워크가 충분히 깊어질수록 초기 편향이 소멸한다는 의미이다. 반대로 탐색 단계에 유형 편향이 존재하면, 장기 통합이 깨지고 특정 유형이 지속적으로 과대표집되는 현상이 나타난다.

수학적으로는 연속시간 마코프 과정과 확률적 연쇄를 이용해 각 유형별 평균 차수를 도출하고, 두 유형(two‑type) 상황에서의 고정점 분석을 수행한다. 특히, 위치 기반 편향(location‑based bias)을 도입해 동일 지역 내에서의 동질성 강화 효과를 모델링했으며, 이 경우 차수 분포는 지수형태를 유지하되, 각 유형별 스케일 파라미터가 다르게 나타난다. 결과적으로, 네트워크 전체의 평균 동질성은 초기 편향과 탐색 편향의 함수이며, ‘노드 연령(age)’에 따라 동질성 수준이 급격히 달라진다. 즉, 오래된 노드일수록 평균 동질성이 낮아져 전체 인구 비율에 근접하고, 신규 노드일수록 초기 편향이 그대로 반영된다.

실증 부분에서는 물리학 분야의 논문 인용 네트워크를 활용해 두 유형(예: 이론 물리학 vs 실험 물리학)과 지리적 위치(미국 vs 유럽)로 구분하였다. 데이터 분석 결과는 모델이 예측한 바와 일치하여, 오래된 논문의 인용 네트워크는 전반적인 분야 비율에 가까워지는 반면, 최신 논문은 여전히 특정 분야와 지역에 편중된 인용 패턴을 보였다. 이는 학술 커뮤니티에서도 초기 진입 장벽과 네트워크 기반 탐색이 장기적인 통합에 미치는 영향을 실증적으로 확인한 사례라 할 수 있다.

이러한 분석은 소셜 미디어, 협업 네트워크, 직업 소개 플랫폼 등 다양한 실세계 시스템에 적용 가능하며, 정책 입안자는 탐색 단계의 편향을 최소화함으로써 장기적인 사회적 통합을 촉진할 수 있다는 시사점을 제공한다.