베이지안 모델 선택을 통한 지수 랜덤 그래프 모델 최적화

초록

본 논문은 사회 네트워크 분석에 널리 쓰이는 지수 랜덤 그래프(ERGM) 모델의 변수(네트워크 통계) 선택 문제를 베이지안 프레임워크에서 해결한다. 저자는 사후 확률이 “이중 불가능”(doubly intractable)한 상황에서도 모델 간 사후 확률을 추정할 수 있는 가역점프 마코프 체인 몬테카를로(RJ‑MCMC) 알고리즘을 제안한다. 이를 통해 여러 후보 모델의 증거(evidence)를 비교하고, 최적 모델을 선택하는 전 과정이 완전 베이지안 방식으로 수행된다.

상세 분석

이 연구는 ERGM의 핵심 난제인 모델 선택을 베이지안 관점에서 체계적으로 접근한다는 점에서 학술적·실용적 의의를 가진다. ERGM은 네트워크의 전역 구조를 지역 서브그래프(예: 삼각형, 2‑스타 등)의 빈도와 연결시켜 설명하는 지수형 모델이다. 하지만 어떤 서브그래프를 통계량으로 포함시킬지는 연구자의 주관적 판단에 크게 의존해 왔으며, 기존 방법론은 AIC, BIC와 같은 근사적 정보 기준에 의존하거나, 사후 예측 검증을 통해 간접적으로 평가했다. 이러한 접근은 사후 분포 자체가 “이중 불가능”인 상황—즉, 정규화 상수(모델 증거)를 계산할 수 없고, 또한 각 파라미터에 대한 정규화된 우도도 직접 구할 수 없는 경우—에 한계가 있다.

저자는 Caimo와 Friel(2011)의 “exchange algorithm”을 기반으로, 서로 다른 차원의 파라미터 공간을 오가는 가역점프 MCMC를 설계한다. 핵심 아이디어는 각 후보 모델에 대해 잠재 변수(가상의 네트워크 샘플)를 도입해, 현재 모델의 사후 확률과 제안 모델의 사후 확률을 동일한 “augmented” 공간에서 비교 가능하게 만든다. 구체적으로, 현재 모델 (M_k)와 파라미터 (\theta_k)에서 제안 모델 (M_{k’})와 (\theta_{k’})로 이동할 때, 교환 알고리즘을 이용해 각각의 “가짜” 네트워크 (y^*)를 생성하고, 이들에 대한 완전 조건부 확률을 이용해 수용 확률을 계산한다. 이렇게 하면 정규화 상수(증거) 없이도 정확한 메트로폴리스–헤스팅스 수용 확률을 얻을 수 있다.

알고리즘 구현 시 몇 가지 실용적 고려사항이 강조된다. 첫째, 제안 분포는 모델 차원에 따라 적절히 스케일링해야 하며, 이를 위해 사전 분포와 제안 분포를 조정하는 “dimension‑matching” 기법을 적용한다. 둘째, 가짜 네트워크 샘플링은 기존 ERGM 시뮬레이션 기법(예: Gibbs 샘플링, Metropolis–Hastings)과 결합해 효율성을 높인다. 셋째, 다중 모델 간 전이 확률을 균형 있게 유지하기 위해 “model index”에 대한 균등 사전과, 각 모델 내 파라미터에 대한 비정보적 사전(예: 정규분포)을 사용한다.

실험에서는 두 가지 실제 네트워크(친밀도 네트워크와 정치적 협력 네트워크)를 대상으로, 후보 모델 집합을 사전 정의하고 RJ‑MCMC를 10⁶ 이터레이션까지 실행한다. 결과는 각 모델의 사후 확률이 명확히 구분되는 것을 보여주며, 특히 과도하게 복잡한 모델(불필요한 서브그래프 포함)은 낮은 사후 확률을 받아 모델 선택에 자연스럽게 배제된다. 또한, 제안된 베이지안 방법은 기존 AIC/BIC 기반 선택과 비교해 더 일관된 모델 순위를 제공하고, 사후 예측 검증에서도 우수한 성능을 보인다.

이 논문의 주요 공헌은 다음과 같다. (1) 이중 불가능 문제를 회피하면서도 정확한 모델 증거를 추정할 수 있는 RJ‑MCMC 프레임워크 제시, (2) ERGM에 특화된 차원 매칭 및 교환 알고리즘 설계, (3) 실제 네트워크 데이터에 적용해 베이지안 모델 선택이 실용적임을 입증. 향후 연구는 고차원 네트워크(수백 개 노드)와 더 복잡한 서브그래프 집합에 대한 확장, 그리고 병렬화·GPU 가속을 통한 계산 효율성 향상이 기대된다.