시간창을 이용한 임계값 전파 모델

초록

본 연구는 Watts의 정적 임계값 모델을 시간 네트워크에 확장한다. 에이전트는 과거 일정 시간창 내의 접촉을 기반으로 영향을 받으며, 접촉 비율과 접촉 횟수 두 가지 임계값을 검토한다. 실제 및 무작위화된 접촉 데이터에 모델을 적용해 전파 특성을 분석한다.

상세 분석

이 논문은 사회적 전파 현상을 설명하기 위해 정적 네트워크에서 사용되던 임계값 모델을 시간적 차원을 포함하도록 일반화한다. 핵심 아이디어는 에이전트가 일정 시간창(Δt) 안에 발생한 접촉만을 기억하고, 그 안에서 이웃 중 일정 비율(프랙션) 혹은 일정 횟수(카운트)의 행동 변화를 관찰했을 때 자신의 상태를 바꾸는 것이다. 이를 위해 두 가지 변형을 제시한다. 첫 번째는 전통적인 비율 기반 임계값 θ_f를 유지하면서, 과거 Δt 내에 발생한 접촉 중 활성 이웃의 비율이 θ_f를 초과하면 전파가 일어난다. 두 번째는 접촉 횟수 기반 임계값 θ_c를 도입해, Δt 내에 활성 이웃과의 접촉 횟수가 θ_c를 넘으면 전파가 발생한다. 시간창의 길이는 네트워크의 동적 특성에 따라 조정 가능하며, 짧을수록 최신 정보에 민감하고, 길수록 과거의 누적 효과를 반영한다.

실험에서는 실제 인간 접촉 데이터(예: 대학 캠퍼스, 병원, 회의 등)와 시간 순서를 무작위화한 대조군을 사용한다. 결과는 두드러진 두 가지 현상을 보여준다. 첫째, 버스트(bursty)한 접촉 패턴이 전염병 모델에서는 전파를 지연시키지만, 임계값 모델에서는 오히려 전파를 촉진할 수 있다. 이는 짧은 시간에 다수의 접촉이 집중될 경우, 시간창 내에 활성 이웃 비율이 급격히 상승해 임계값을 빠르게 초과하기 때문이다. 둘째, 접촉 횟수 기반 임계값은 네트워크 밀도와 시간창 크기에 민감하게 반응한다. 밀도가 높은 네트워크에서는 작은 θ_c로도 전파가 전역적으로 확산되지만, 희소한 네트워크에서는 큰 θ_c가 필요하다. 무작위화된 데이터에서는 전파 속도가 전반적으로 감소하는데, 이는 원본 데이터의 시간적 상관관계가 전파 경로를 효율적으로 형성하기 때문이다.

또한, 모델 파라미터(Δt, θ_f, θ_c)의 조합에 따라 전파 임계점이 크게 변동한다는 점을 강조한다. 특히 Δt가 너무 짧으면 접촉 기회가 부족해 전파가 억제되고, 너무 길면 과거의 오래된 접촉이 현재 상황에 영향을 미쳐 비현실적인 전파가 발생한다. 따라서 적절한 시간창 선택이 모델의 현실성을 결정한다는 결론을 도출한다.