네트워크 생성 모델의 통합적 시각: 구조·학습·미래 과제

본 논문은 네트워크 생성 모델 연구가 물리학, 사회학, 생물학, 통계학, 머신러닝 등 다양한 분야에 걸쳐 분산되어 있음에도 불구하고, 대부분이 “잠재 정점 속성에 조건부로 엣지를 독립적으로 생성한다”는 공통 구조를 공유한다는 점을 강조한다. 이를 바탕으로 저자들은 기존 모델들을 크게 네 가지 클래스로 정리한다. 첫 번째 클래스인 잠재 공간 모델은 정점이 연속적인 K‑차원 위치(z_i∈ℝ^K)를 갖고, 두 정점 사이의 거리 혹은 일반 함수 f(z_i, z_j)에 의해 연결 확률 p_{ij}=σ(f(z_i, z_j))가 결정된다. 초기 모델은 거리 감소가 연결 확률을 낮추는 형태였지만, 함수 형태를 일반화하면 동질성(assortative), 비동질성(disassortative), 순위(status‑oriented) 구조를 모두 포괄할 수 있다. 예를 들어, 생태학의 확률적 니치 모델은 송신·수신 위치를 분리해 이러한 다양성을 구현한다. 두 번째 클래스인 블록 모델은 정점이 카테고리형 라벨(z_i∈{0,1}^K) 혹은 단일 블록에 속하는 경우를 다루며, 블록 간 연결 확률을 매트릭스 B로 정의한다. 기본적인 에르되시‑레니 모델은 K=1인 특수 경우이며, 혼합 멤버십(stochastic block model, mixed‑membership SBM)이나 비모수적 K 추정(예: 히어라키칼 디리클레 프로세스) 등을 통해 코어‑퍼리페리, 이분 그래프, 중첩 커뮤니티 등 복잡한 구조를 모델링한다. 블록 모델은 토픽 모델을 포함하는 등, 다양한 분야와 연결된다. 세 번째 클래스인 잠재 특징 모델은 블록 모델을 확장해 정점이 다수의 이진 특징을 가질 수 있게 하고, 특징 가중치 w를 통해 p_{ij}=σ(z_i^T W z_j) 형태로 연결 확률을 정의한다. 양·음 가중치를 허용함으로써 동질·비동질 연결을 동시에 표현할 수 있다. 계층적 특징 구조나 회귀형 결합도 가능하다. 네 번째로, 계층·트리 기반 모델은 위 세 클래스의 특수 경우로 볼 수 있다. 정점이 트리의 잎이라면 공통 조상과의 거리(ultrametric) 혹은 하이퍼볼릭 거리 등을 이용해 연결 확률을 정의한다. 대표적인 예가 계층적 랜덤 그래프(HRG)와 그 베이지안·비모수적 변형이다. 다음으로 논문은 모델 학습 패러다임을 세 가지 철학적 선택으로 구분한다. 빈도주의 접근은 최대우도 추정이나 모멘트 방법을 사용해 파라미터를 직접 최적화한다. 베이지안 접근은 사전분포를 지정하고 사후분포를 통해 불확실성을 반영한다. 베이지안 비모수 접근은 무한 차원 사전(예: 디리클레 과정, Indian buffet process)을 사용해 데이터가 늘어날수록 모델 복잡도(K, 특징 수 등)가 자동으로 조정된다. 각 패러다임은 해석 가능성, 계산 효율성, 모델 선택 방식에 차이를 만든다. 이론적 통합 측면에서 두 가지 주요 프레임워크를 제시한다. 첫 번째는 Aldous‑Hoover 정리에 기반한 그래프온(graphon)이다. 교환가능한 인접 행렬에 대해 정점마다 U_i∼Uniform