연결 강도와 차단: 한계가 있는 아웃도egree 이진화의 함정

본 논문은 복잡 네트워크 분석에서 가중(valued) 연결을 이진(0‑1) 형태로 변환하는 두 가지 방법을 비교·평가한다. 기존 연구에서 제시된 전역 임계값(threshold) 방식은 모든 엣지에 동일한 기준값을 적용해, 기준값 이상을 1, 이하를 0으로 변환한다. 이 방식은 구현이 간단하지만, 약한 연결이 많은 경우 노드가 고립되는 위험이 있다. 이를 보완하고자 저자들은 “최대 k‑아웃도egree” 전략을 제안한다. 이 전략은 각 노드가 가장 강한 k개의 아웃고리만을 선택해 1로 지정하고, 나머지는 0으로 처리한다. 이렇게 하면 모든 노드가 최소 k개의 연결을 유지하므로 고립을 방지할 수 있다는 직관적 장점이 있다. 연구는 먼저 GLM(Generalized Linear Model) 기반의 네트워크 생성 프레임워크를 활용해 다양한 특성을 가진 합성 네트워크를 만든다. 생성 모델은 다음과 같은 파라미터를 포함한다. (1) 노드 이질성: 각 노드에 정규분포(0, σ²)에서 추출된 송수신 효과 α_i를 부여해 차수 분포의 폭을 조절한다. (2) 잠재 기하학: 노드를 원 위에 고르게 배치하거나 2차원 정규분포 클라우드에 배치해 거리 기반 연결 강도를 정의한다. (3) 클러스터링: 세 개의 잠재 군집을 지정하고, 군집 내·외 연결 선호도를 λ로 조절한다. (4) 동질성(assortativity) 요인 χ를 통해 고차원 차수와 연결 확률 사이의 상관관계를 설정한다. (5) 네트워크 규모는 50~600노드로 다양하게 설정한다. 각 생성된 네트워크에 대해 두 이진화 방법을 적용하고, 다음과 같은 네트워크 통계량을 계산한다. 지오데식 기반: 조화 평균 거리(클로즈니스), 지오데식 지름 등. 옴믹 기반: 전기 저항 해석을 이용한 옴믹 클로즈니스, 옴믹 베터니스, 옴믹 지름 등. 각 통계량에 대해 (①) 절대값 차이(원본 가중값과 이진화값 사이의 제곱 오차)와 (②) 순위 차이(노드 순위 간의 제곱 차이) 두 가지 지표를 사용해 보존 정도를 정량화한다. 시뮬레이션 결과는 다음과 같은 패턴을 보인다. 첫째, 옴믹 지표는 다중 경로 정보를 활용하므로, 평균 차수가 충분히 높아야(즉, k가 크게) 원본 네트워크의 전도성(전류 흐름)을 정확히 재현한다. 둘째, 지오데식 지표는 최단 경로만을 고려하므로, 네트워크 규모가 커질수록 최적 k값이 크게 변동한다. 특히, 노드 이질성(σ α)이 클 경우(σ α ≥ 4) 지오데식 기반 지표를 유지하려면 평균 차수를 1.5~2배 이상 늘려야 한다. 반면 옴믹 기반 지표는 이질성에 크게 민감하지 않으며, 평균 차수가 0.5~1 정도면 충분히 좋은 성능을 보인다. 실제 데이터 검증에서는 두 사례를 사용했다. 첫 번째는 32노드 EIES 전자 메일 교류망으로, 각 엣지는 두 사람 간의 메시지 수를 나타낸다. 이 데이터는 많은 0값을 포함하고 있어 이진화가 특히 중요했다. 두 번째는 90노드 fMRI 뇌 연결망으로, 엣지는 부분 상관계수를 나타내며 0값이 거의 없었다. 두 데이터 모두 전역 임계값 방식과 최대 k‑아웃도egree 방식으로 이진화한 뒤, 앞서 정의한 7가지 통계량을 비교했다. 결과는 EIES 데이터에서 5가지 통계량이 전역 임계값 방식이 더 낮은 오차를 보였으며, fMRI 데이터에서도 전역 임계값이 전반적으로 우수했다. 특히 지오데식 지름과 옴믹 베터니스와 같은 민감한 지표에서는 최대 k‑아웃도egree 방식이 크게 성능이 떨어졌다. 논문은 이러한 결과를 바탕으로 다음과 같은 결론을 제시한다. (1) “최대 k‑아웃도egree” 방식은 고립 방지라는 직관적 장점에도 불구하고, 네트워크 구조 보존 측면에서는 전통적인 전역 임계값 방식보다 일관되게 열등하다. (2) 특히 이질성이 큰 네트워크나 다중 경로 정보를 중요시하는 옴믹 기반 분석에서는 적절한 k값을 찾기가 어렵고, 오히려 구조 왜곡이 심해진다. (3) 따라서 가중 네트워크를 이진화해야 할 경우, 단일 임계값을 신중히 선택하거나, 가능한 경우 가중 정보를 그대로 활용하는 것이 바람직하다.