가중 연결을 이진화하면 진실이 사라진다

본 논문은 가중 네트워크(연결 강도가 정수, 연속값, 혹은 순위 등 다양한 형태)에서 흔히 사용되는 임계값 기반 이진화 절차의 문제점을 체계적으로 탐구한다. 서론에서는 그래프 이론 기반 분석 도구가 대부분 바이너리 입력을 전제로 설계돼 왔으며, 이에 따라 연구자들이 가중 데이터를 이진화하여 분석에 투입하는 경향이 강해졌음을 지적한다. 저자는 이러한 관행이 단순히 편의성 때문이 아니라, 시각화의 용이성, 희소성 확보, 비선형 효과 완화 등 여러 실용적 동기에 의해 정당화되고 있음을 밝힌다. 다음으로, 논문은 이진화가 가져오는 두 가지 핵심 위험을 제시한다. 첫 번째는 임계값 선택에 따른 구조적 정보 손실이다. 저자는 “giant component” 임계값, 평균 연결도 기준, 혹은 시각적 클러터 감소 목적 등 다양한 선택 기준을 검토하고, 동일한 가중 네트워크에 서로 다른 임계값을 적용했을 때 토폴로지(예: 지름, 중심성, 군집계수 등)가 크게 달라지는 사례를 시뮬레이션과 실제 데이터(예: EIES 메시지, 사회적 친밀도 설문)로 입증한다. 특히, 100노드 링 구조와 동일한 포아송 가중치를 가진 두 그래프에 동일 임계값을 적용했을 때, 하나는 원형 토폴로지를 유지하고 다른 하나는 선형 구조로 변형되어 네트워크 직경이 두 배가 되는 현상을 통해 임계값이 노이즈와 신호를 구분하지 못함을 강조한다. 두 번째 위험은 통계적 효율성 손실이다. 기존 문헌에서 회귀 분석의 예측변수를 이진화하면 asymptotic 효율이 감소한다는 사실이 알려져 있으나, 저자는 이를 네트워크 시계열 모델에 확대 적용한다. 가중 네트워크에서 시간 지연된 이웃 효과를 포함한 선형 동적 모델을 설정하고, 가중값을 그대로 사용할 때와 이진화했을 때의 추정 분산을 비교한다. 분석 결과, 네트워크 규모 n이 증가함에 따라 효율 손실이 O(n) 수준으로 급증한다는 점을 수학적으로 증명하고, 시뮬레이션을 통해 실제 데이터에서도 동일한 경향이 나타남을 확인한다. 이는 대규모 사회·생물학적 네트워크에서 이진화가 추정 정확도를 크게 저하시킬 위험이 있음을 의미한다. 논문은 이어서 이진화가 널리 사용되는 구체적 사례들을 검토한다. 상관·부분상관 기반 네트워크, 카운트·인시던스 데이터, 순위·범주형 관계 데이터 등 다양한 입력 형태가 존재하지만, 각각을 이진화할 때 정보 손실이 어떻게 발생하는지를 상세히 논한다. 특히, 카운트 데이터의 경우 “1”을 임계값으로 잡는 것이 흔하지만, 실제로는 약한 연결이 중요한 구조적 역할을 할 수 있음을 지적한다. 마지막 장에서는 이진화 대신 활용할 수 있는 대안적 접근법을 제시한다. (1) 가중 네트워크를 직접 모델링할 수 있는 확장된 ERGM, weighted stochastic block model 등 바이너리 전용 모델의 가중 버전을 도입한다. (2) 다중 임계값을 적용해 여러 스케일에서 네트워크 구조를 동시에 분석하는 멀티스케일 방법론을 제안한다. (3) 임계값 선택을 정보이론적 기준(예: 최소 정보 손실, 최대 엔트로피, ROC 곡선 최적화)으로 최적화한다. 또한, 시각화에서는 색상·두께 등 연속형 시각 변수를 활용해 가중 정보를 그대로 전달하는 방안을 권고한다. 결론적으로, 저자는 가중 네트워크를 무조건 이진화하는 관행이 연구 결과를 왜곡하고, 특히 대규모 네트워크에서 통계적 효율성을 크게 저하시킨다는 점을 강조한다. 따라서 연구자는 분석 목표와 데이터 특성을 면밀히 검토한 뒤, 가능한 경우 가중 정보를 보존하는 모델과 시각화 기법을 채택할 것을 강력히 권고한다.