대규모 동적 네트워크를 위한 비모수 링크 예측

초록

본 논문은 대규모 동적 그래프에서 시간에 따라 변하는 연결 패턴을 예측하기 위해, 노드 쌍의 특성뿐 아니라 각 노드의 지역 이웃 구조를 활용한 비모수 커널 회귀 모델을 제안한다. LSH 기반의 효율적인 구현을 통해 수백만 노드 규모에서도 실시간 예측이 가능하며, 이론적으로 일관성(consistency)과 약한 수렴(weak convergence)을 증명한다. 실험 결과는 기존 휴리스틱 방법들을 크게 능가함을 보여준다.

상세 분석

이 논문은 동적 네트워크에서 링크 예측을 수행하기 위해 두 가지 핵심 아이디어를 결합한다. 첫 번째는 “지역 이웃(datacube)” 개념으로, 각 노드 i의 2‑hop 이웃을 p 단계 동안 추적하여, 해당 이웃 내에서 관측된 특징(예: 공통 이웃 수, 마지막 연결 시점)과 그에 따른 링크 발생 횟수를 집계한다. 이를 η_i,t(s)와 η⁺_i,t(s)라는 두 개의 카운트 변수로 표현함으로써, 특정 특징 s에 대한 조건부 링크 확률을 베타 분포 형태로 추정한다. 두 번째는 이러한 지역 이웃 정보를 전역적인 커널 함수 K와 결합한 비모수 회귀식(식 1)을 도입한 점이다. K는 두 이웃(datacube) 간의 총변이 거리(TV) 기반 유사도를 지수 형태로 변환한 것이며, ζ_T라는 밴드폭 파라미터를 통해 특징 공간에서도 근접한 s값들을 부드럽게 보정한다. 이중 커널 구조는 (i) 동일 지역 내에서 동일 특징을 가진 쌍들의 과거 링크 발생률을 직접 활용하고, (ii) 유사한 지역·특징을 가진 다른 쌍들의 정보를 가중 평균함으로써 데이터 희소성을 완화한다.

이론적 기여는 두 부분으로 나뉜다. 일관성 증명에서는 마코프 체인의 강한 혼합성(strong mixing) 가정을 이용해, 훈련 샘플이 충분히 많아질 때 추정값 ˜g_T가 실제 링크 확률 g에 거의 일치함을 보인다. 약한 수렴 증명에서는 기존 의존성 그래프에 대한 Stein’s method를 확장하여, 전체 시계열이 장기 의존성을 갖더라도 중앙극한정리와 유사한 분포 수렴 결과를 도출한다. 특히, b_T와 ζ_T를 T^{-(1/2+ε)} 형태로 선택함으로써, 커널 폭이 충분히 작아지면서도 샘플 수에 비례해 수렴 속도가 유지되는 점이 핵심이다.

실제 구현에서는 전통적인 커널 회귀가 O(N) 복잡도를 갖는 문제를, LSH(Locality Sensitive Hashing)를 커널 함수에 맞게 변형함으로써 서브선형 시간에 근사 검색이 가능하도록 설계했다. 구체적으로, 각 datacube을 해시 버킷에 매핑하고, 동일 버킷 내에서만 K와 ξ를 계산함으로써 메모리와 연산량을 크게 절감한다. 실험에서는 정확도와 실행 시간 모두에서 기존 히스토리 기반 휴리스틱(공통 이웃, 마지막 연결 시점 등) 및 최신 그래프 신경망 모델을 능가했으며, 특히 비선형·계절성 변동이 강한 센서2 네트워크에서 차이가 두드러졌다.

전반적으로 이 논문은 (1) 지역 이웃을 데이터 큐브 형태로 정형화하여 비모수적 특성을 보존하고, (2) 커널 기반 추정에 LSH를 적용해 대규모 동적 그래프에 실용적인 스케일러빌리티를 제공한다는 점에서 기존 연구와 차별화된다. 또한, 일관성과 약한 수렴에 대한 엄밀한 증명을 통해 통계적 신뢰성을 확보했으며, 이는 동적 네트워크 분석 분야에서 비모수적 방법론이 실용적이며 이론적으로도 타당함을 입증한다.