클리크 기반 그래프에서의 연쇄 확산

초록

본 논문은 Gleeson이 제안한 고집적 클러스터링을 가진 무작위 그래프 모델을 기반으로, 다양한 전파 모델에서 기대되는 연쇄 규모를 정확히 계산하는 분석 프레임워크를 제시한다. 전파가 전역적으로 퍼질 수 있는 조건을 수식으로 도출하고, 이를 퍼콜레이션과 Watts의 임계 모델에 적용한다. 또한 사회 네트워크에서 집단 내 편향이 연쇄에 미치는 영향을 정량적으로 탐구한다.

상세 분석

이 연구는 기존의 무작위 그래프 이론이 주로 트리 구조를 전제로 하는 한계를 극복하기 위해, 클리크(완전 그래프)로 구성된 ‘클리크 기반 그래프’를 모델링한다. 각 노드는 여러 클리크에 동시에 속할 수 있으며, 클리크 내부의 연결 밀도는 1에 가깝고 클리크 간 연결은 희박하게 배치된다. 이러한 구조는 실제 사회·생물 네트워크에서 관찰되는 높은 클러스터링 계수를 자연스럽게 재현한다. 논문은 먼저 이 그래프의 차수 분포와 클리크 크기 분포를 확률적 생성 과정으로 정의하고, 각 클리크를 하나의 ‘초노드’로 축소한 뒤, 초노드 간의 연결망을 전통적인 무작위 그래프와 동일한 방식으로 분석한다. 핵심은 클리크 내부에서 발생하는 전파 현상을 ‘내부 활성화 함수’로 요약하고, 이 함수가 초노드 간 전파 확률에 어떻게 매핑되는지를 수식화한 점이다. 이를 통해 전파가 클리크 내부에서 완전히 퍼진 후 외부로 전이되는 임계 조건을 정확히 구할 수 있다. 특히, 전파 모델을 일반적인 ‘임계 전파 함수’ f(θ) 형태로 두고, 클리크 크기 k에 대한 활성화 확률을 Binomial 분포와 결합해 기대 활성화 비율을 도출한다. 이 과정에서 도입된 ‘클리크 전파 매트릭스’는 전파의 진행 단계마다 상태 전이 확률을 행렬 연산으로 표현함으로써, 연쇄 규모의 기대값을 재귀적으로 계산할 수 있게 한다. 전역 연쇄가 발생하기 위한 임계 조건은, 무한히 큰 네트워크 한계에서 가장 큰 고유값이 1을 초과하는지 여부로 판단한다. 이는 기존의 무클러스터링 그래프에서의 임계 조건과 형태는 동일하지만, 고유값 자체가 클리크 내부 활성화 함수에 의해 크게 변동한다는 점이 새로운 통찰이다. 논문은 이 이론을 퍼콜레이션(노드/링크 제거)과 Watts의 임계 모델에 적용하여, 클리크 크기 분포가 넓을수록 전파가 더 쉽게 전역화되는 반면, 클리크 내부의 ‘인-그룹 편향’(동일 클리크 내에서 더 높은 전파 확률)이 존재하면 전파가 특정 집단에 국한되는 현상을 정량적으로 설명한다. 마지막으로, 수치 시뮬레이션을 통해 이론적 예측과 실제 전파 결과가 높은 일치도를 보임을 확인함으로써, 제안된 분석 프레임워크의 실용성을 입증한다.