동일 정점 집합 위 네트워크의 엣지 합집합 특성 분석

초록

본 논문은 동일한 정점 집합 V를 공유하는 두 무작위 그래프 G¹(V,E₁)와 G²(V,E₂)의 엣지 합집합 G(V,E₁∪E₂)의 차수 분포와 클러스터링 계수를 이론적으로 분석한다. ER, WS, BA 모델 각각에 대해 합집합의 기대 차수, 분산, 그리고 삼각형 형성 확률을 구하고, 희소 그래프에서 중복 엣지의 영향이 무시될 수 있음을 보인다. 또한 시뮬레이션을 통해 이론적 결과의 정확성을 검증하고, 다층 네트워크에서 단일 레이어 합성 시 나타나는 구조적 변화를 논의한다.

상세 분석

논문은 먼저 두 그래프 G¹과 G²가 동일한 정점 집합 V( |V|=n ) 위에 존재한다는 전제 하에, 합집합 그래프 G의 차수 k_i 를 각 정점 i에 대해 k_i = k_i¹ + k_i² – c_i 로 표현한다. 여기서 c_i는 두 그래프에서 동시에 존재하는 엣지 수이며, 희소 그래프( p = O(1/n) )에서는 c_i 의 기대값이 O(1/n) 수준으로 무시 가능함을 보인다. 따라서 차수 분포는 개별 그래프의 차수 분포의 컨볼루션으로 근사할 수 있다.

ER–ER 합집합의 경우, 각각의 평균 차수 ⟨k⟩₁ = p₁n, ⟨k⟩₂ = p₂n 이므로 합집합의 평균 차수는 ⟨k⟩ = (p₁+p₂)n 로 단순히 합산된다. 차수 분포는 포아송(λ₁+λ₂) 형태를 유지한다. WS 모델은 정규화된 재와이어링 확률 β와 평균 차수 k̄에 의해 클러스터링 계수 C_WS ≈ (3(k̄−2))/(4(k̄−1))·(1−β) 로 근사된다. WS와 ER을 합칠 때, ER의 무작위 엣지가 WS의 삼각형을 파괴하지 않으며, 오히려 새로운 삼각형을 추가한다. 따라서 합집합의 클러스터링 계수는 C ≈ (C_WS·E_WS + C_ER·E_ER)/ (E_WS+E_ER) 로 가중 평균이 된다. 여기서 E_X는 각 레이어의 엣지 수이다.

BA–ER 합집합에서는 BA 모델의 파워‑라우 차수 분포 P(k)∝k^{-γ} (γ≈3)와 ER의 포아송 분포가 혼합된다. 큰 k 영역에서는 BA의 꼬리가 지배적이며, 작은 k 영역에서는 ER의 기여가 눈에 띈다. 합집합 차수 분포는 P_comb(k)=∑_{j=0}^{k} P_BA(j)·Poisson(k−j;λ_ER) 로 표현된다. 클러스터링 측면에서는 BA의 C_BA≈(m−1)/(2k) (m은 초기 연결 수)와 ER의 C_ER≈p 를 각각 가중 평균하여 근사한다.

다층 네트워크 관점에서, 논문은 합집합이 실제 시스템에서 레이어 간 상호작용을 단순화하는 방법으로 활용될 수 있음을 제시한다. 특히, 서로 다른 생성 메커니즘을 가진 레이어를 합칠 경우, 전반적인 네트워크는 복합적인 스케일‑프리와 작은 세계 특성을 동시에 보이며, 이는 전파 역학이나 견고성 분석에 중요한 영향을 미친다. 마지막으로, 시뮬레이션 결과는 이론적 기대값과 높은 일치도를 보이며, 특히 n≥10⁴, 평균 차수 ≤10인 경우에 중복 엣지의 효과가 통계적으로 무시 가능함을 확인한다.