다중그룹 잠재 멤버십 그래프 모델로 보는 네트워크와 특징의 통합 분석

초록

**
본 논문은 각 노드가 여러 잠재 그룹에 동시에 속할 수 있는 Latent Multi‑group Membership Graph(LMMG) 모델을 제안한다. 그룹별 링크‑친화도 행렬과 베르누이 기반 그룹 할당을 이용해 노드 특성(이진 피처)과 네트워크 구조를 동시에 설명하고, 효율적인 변분 하한 기반 추정·학습 알고리즘을 개발한다. 실험에서는 소셜·문서 네트워크에서 링크 예측, 누락 피처 복원, 노드 분류 등 세 가지 과제에서 기존 방법들을 크게 능가한다.

**

상세 분석

**
LMMG는 기존의 확률적 그래프 모델이 갖는 두 가지 한계를 동시에 극복한다. 첫째, 전통적인 혼합‑멤버십 모델(예: MMSB)은 각 노드가 하나의 그룹에만 속하도록 확률 질량을 분배한다. 반면 LMMG는 φ_ik ∈