동적 네트워크를 위한 비모수 다중그룹 멤버십 모델

초록

본 논문은 시간에 따라 변하는 그래프의 구조 변화를, 그룹 수준의 탄생·소멸과 노드의 그룹 가입·이탈이라는 두 가지 동역학으로 설명한다. 그룹의 생존 여부는 거리‑의존 인디언 뷔페 프로세스(dd‑IBP)로, 노드‑그룹 멤버십은 팩토리얼 히든 마코프 모델(FHMM)로, 그리고 그룹 간 연결성은 2×2 affinity 행렬을 로지스틱 결합한 링크 함수로 모델링한다. MCMC 기반 추론을 통해 무한 잠재 그룹 수를 자동 학습하고, 실험에서 미래 링크 예측 및 네트워크 예측 성능이 기존 동적 모델을 능가함을 보였다.

상세 분석

이 연구는 동적 네트워크 분석에서 “그룹”이라는 중간 계층을 명시적으로 도입한 점이 가장 큰 혁신이다. 기존의 동적 혼합‑멤버십 모델은 노드가 여러 그룹에 동시에 속할 수 없거나, 그룹 수를 사전에 고정해야 하는 제약이 있었다. 저자들은 비모수적 Indian Buffet Process를 거리‑의존 형태로 변형해, 시간 단계마다 “활성 그룹” 집합을 샘플링한다. 이 과정에서 각 시간에 새 그룹이 탄생하고 기존 그룹이 사라지는 확률을 γ 파라미터로 조절함으로써, 그룹의 생애 주기를 자연스럽게 모델링한다. 특히, 한 번 사라진 그룹은 다시 활성화되지 못한다는 제약을 두어, 그룹 탄생·소멸을 명확히 구분한다는 점이 해석 가능성을 크게 높인다.

노드‑그룹 멤버십의 시간적 변화를 설명하기 위해 팩토리얼 히든 마코프 모델(FHMM)을 사용한다. 각 그룹마다 독립적인 2×2 전이 행렬 Q_k를 두어, 노드가 해당 그룹에 가입하거나 탈퇴하는 확률을 개별적으로 학습한다. 베타 사전분포(α,β)를 통해 전이 확률이 과도하게 변동하지 않도록 제어함으로써, 실제 사회 네트워크에서 관찰되는 “멤버십은 비교적 안정적이지만 가끔 급격히 변한다”는 현상을 재현한다.

링크 생성 메커니즘은 각 그룹마다 2×2 affinity 행렬 Θ_k를 정의하고, 노드 i와 j의 멤버십 벡터 z_i(t), z_j(t)와의 조합을 통해 선택된 Θ_k 원소들을 합산한 뒤 로지스틱 함수 g(·)에 입력한다. 이 설계는 (멤버‑멤버, 멤버‑비멤버, 비멤버‑멤버, 비멤버‑비멤버) 네 가지 상호작용 유형을 모두 별도 파라미터로 학습하게 하여, 그룹 내부와 외부의 연결 경향을 정밀히 포착한다. 무한 개의 그룹이 존재할 수 있다는 점에서, 실제 계산은 활성 그룹만을 대상으로 하며, Θ_k