소셜 네트워크 노드 영향력 평가를 위한 계층적 샘플링 기법

초록

본 논문은 독립 전파 모델 하에서 노드의 영향력(Influenceability)을 추정하는 문제를 다룬다. 기존의 단순 몬테카를로 샘플링이 높은 분산을 보이는 한계를 극복하기 위해, 2가지 기본 계층 샘플링(BSS)과 이를 재귀적으로 적용한 2가지 재귀 계층 샘플링(RSS) 추정기를 제안한다. 모든 추정기는 편향이 없으며, 이론적·실험적 분석을 통해 기존 방법보다 분산이 크게 감소함을 입증한다.

상세 분석

논문은 소셜 네트워크에서 노드가 다른 노드에 미치는 영향을 정량화하는 ‘노드 영향력 평가’ 문제를 독립 전파(Independent Cascade, IC) 모델을 기반으로 정의한다. IC 모델 하에서 한 노드가 초기 활성화될 때, 각 인접 엣지는 사전에 정해진 확률에 따라 전파될 수 있으며, 전체 전파 과정은 확률적 그래프의 실현(realization)으로 표현된다. 이때 특정 노드의 기대 영향력은 모든 가능한 실현에 대한 활성화된 노드 수의 평균이다. 그러나 이 기대값을 정확히 계산하는 것은 #P‑complete 문제이며, 실용적인 해결책으로는 Naive Monte‑Carlo(NMC) 샘플링이 널리 사용된다. NMC는 그래프 실현을 다수 생성하고 평균을 구하지만, 샘플 수가 충분히 크지 않으면 분산이 크게 발생해 추정 정확도가 떨어진다.

이를 개선하기 위해 저자들은 ‘계층 샘플링(stratified sampling)’ 아이디어를 도입한다. 기본 계층 샘플링(BSS)에서는 먼저 r개의 엣지를 선택하고, 이 엣지들의 활성/비활성 상태에 따라 전체 실현 공간을 여러 층(strata)으로 나눈다. 두 가지 변형이 제안된다. 첫 번째인 BSSI는 선택된 r개의 엣지 각각에 대해 활성/비활성 여부를 구분해 2^r개의 층을 만든다. 두 번째인 BSSII는 선택된 r개의 엣지 중 활성된 개수에 따라 0부터 r까지 r+1개의 층으로 구분한다. 각 층 내에서는 조건부 확률에 따라 샘플을 독립적으로 추출하고, 전체 추정값은 각 층의 가중 평균으로 계산한다. 이렇게 하면 전체 분산이 각 층 내부의 분산과 층 간 가중치에 의해 제한되므로 NMC 대비 현저히 낮아진다.

하지만 BSSI·BSSII만으로도 여전히 일부 층에서 분산이 크게 남을 수 있다. 이를 해결하기 위해 저자들은 ‘재귀 계층 샘플링(Recursive Stratified Sampling, RSS)’을 고안한다. RSS는 각 층에 대해 다시 동일한 계층 샘플링 절차를 적용하는 방식이다. 즉, BSSI를 각 2^r 층에 재귀적으로 적용하면 RSSI가 되고, BSSII를 각 r+1 층에 재귀 적용하면 RSSII가 된다. 재귀 깊이를 적절히 조절하면 거의 모든 실현을 체계적으로 탐색하면서도 샘플 수는 제한적으로 유지할 수 있다. 이 과정에서 편향이 발생하지 않도록 각 단계에서 정확한 가중치를 부여한다는 점이 핵심이다.

이론적 분석에서는 모든 제안 추정기가 기대값이 실제 기대 영향력과 일치함을 보이는 ‘편향 없음(unbiased)’을 증명하고, 분산에 대한 상한을 도출한다. 특히, RSS 계열은 BSS 대비 추가적인 분산 감소 효과를 수학적으로 입증한다. 실험 부분에서는 합성 그래프와 실세계 데이터(예: NetHEPT, Epinions, DBLP 등)를 사용해 NMC, BSSI, BSSII, RSSI, RSSII의 추정 정확도와 실행 시간을 비교한다. 결과는 동일한 샘플 수 하에서 RSSI와 RSSII가 가장 낮은 평균 절대 오차(MAE)를 보이며, 특히 큰 그래프에서 NMC 대비 5배 이상 빠른 수렴 속도를 나타낸다. 또한, 샘플 수를 제한했을 때도 기존 방법보다 안정적인 추정값을 제공한다는 점을 강조한다. 전체적으로 이 논문은 고분산 문제를 구조적 샘플링과 재귀적 분할을 통해 효과적으로 해결함으로써, 영향력 최대화와 같은 응용 분야에서 보다 신뢰할 수 있는 기반을 제공한다.