노드 간 상관계수를 이용한 링크 예측

본 연구는 복잡 네트워크에서 존재하지 않는 링크를 예측하는 문제를 다루며, 특히 네트워크가 희소할 때 기존 로컬 기반 방법들의 한계를 극복하고자 한다. 서론에서는 링크 예측이 사회·생물·기술 네트워크 등 다양한 분야에서 중요한 역할을 한다는 점을 강조하고, “두 노드가 비슷하면 링크가 존재할 가능성이 높다”는 기본 가정을 제시한다. 기존 방법으로는 공통 이웃(CN), Jaccard, 자원 할당(Resource Allocation, RA), Local Path(LP) 등이 소개되며, 각각이 고차 경로 정보를 충분히 활용하지 못하거나 고차 노드에 편향되는 문제를 가지고 있음을 지적한다. 본 논문의 핵심 아이디어는 피어슨 상관계수를 노드 간 유사도 측정에 적용하는 것이다. 각 노드 x에 대해 특성 벡터 vₓ를 정의하는데, 이는 인접 행렬 A의 m차 행렬(A^m)의 x번째 열이다. m=1이면 1‑hop 이웃, m=2이면 2‑hop 이웃을 포함한 3‑step 경로 수 등을 의미한다. 두 벡터 vₓ와 v_y 사이의 피어슨 상관계수 s^Corr₍xy₎는 평균·표준편차로 정규화된 내적으로 계산된다. 이 방식은 경로 길이가 길어질수록 발생할 수 있는 노이즈를 평균화하고, 노드 간 연관성을 정규화된 값(‑1~1)으로 표현한다는 장점을 가진다. 제안된 방법을 기존 지표와 비교하기 위해 9개의 실제 네트워크(돌고래 사회망, 재즈 협업망, C. elegans 신경망, 미국 항공망, NetScience 학술 협업망, 이메일 통신망, TAP 단백질‑단백질 상호작용망, Power Grid, HEP 물리학자 협업망)를 사용하였다. 각 네트워크는 훈련 집합(M_T, 전체 링크의 90%)과 테스트 집합(M_p, 10%)으로 나뉘었으며, 예측 정확도는 AUC(Area Under ROC Curve)로 평가하였다. 실험 결과는 다음과 같다. 첫째, 단순히 s^Corr₍xy₎만을 사용했을 때는 CN, RA 등 기존 로컬 지표와 비슷하거나 약간 낮은 성능을 보였다. 그러나 m=2(즉 A³ 기반)로 설정했을 때, 고차 경로 정보를 활용한 상관계수는 동일 차수의 단순 경로 수(A³)보다 일관되게 높은 AUC를 기록했다. 이는 상관계수가 경로 수 자체보다 경로가 제공하는 구조적 정보를 더 잘 포착한다는 증거이다. 둘째, 상관계수와 RA를 선형 결합한 HCR(High-order Correlation and Resource allocation) 모델을 도입하였다. HCR은 s^HCR₍xy₎ = α·s^Corr₍xy₎ + (1‑α)·s^RA₍xy₎ 형태이며, 실험에서는 α≈0.5가 최적이었다. HCR은 모든 실험 네트워크에서 기존 방법들을 능가했으며, 특히 네트워크가 희소하고 평균 최단거리가 큰 경우(예: Netscience, TAP)에서 AUC 상승폭이 0.05~0.07에 달했다. 셋째, LP와 비교했을 때 HCR은 파라미터 ε에 크게 의존하지 않는다. LP는 ε=0.01에서 최적 성능을 보이지만, 네트워크마다 ε를 재조정해야 하는 반면, HCR은 α만 조정하면 된다. 또한, 계산 복잡도 측면에서 HCR은 A^m을 한 번 행렬 곱으로 구한 뒤 상관계수를 계산하면 되므로 O(N·k^m) 수준이며, Katz와 같은 전역 방법(O(N³))에 비해 훨씬 효율적이다. 논문의 마지막 부분에서는 제안 방법의 한계와 향후 연구 방향을 제시한다. 현재는 피어슨 상관계수의 선형 결합만을 고려했으며, 비선형 모델이나 머신러닝 기반 가중치 학습을 통해 성능을 더욱 향상시킬 수 있다. 또한, 가중치 네트워크, 이중 모드(이질) 네트워크, 동적 네트워크에 대한 확장 가능성도 논의한다. 결론적으로, 고차 경로 정보를 정규화된 상관관계 형태로 변환하고, 이를 자원 할당 메커니즘과 결합함으로써, 희소하고 복잡한 실제 네트워크에서 기존 로컬·글로벌 방법들을 능가하는 효율적인 링크 예측 프레임워크를 제공한다.