지역 베이즈 모델을 활용한 복잡 네트워크 링크 예측

초록

본 논문은 기존의 공통 이웃 기반 링크 예측 방법이 모든 공통 이웃을 동일하게 취급하는 한계를 지적하고, 각 공통 이웃의 연결 가능성을 베이즈 확률로 가중하는 지역 나이브 베이즈 모델을 제안한다. 8개의 실제 네트워크에 대해 실험을 수행한 결과, 제안 방법이 기존 방법보다 AUC와 정밀도 측면에서 일관되게 우수함을 확인하였다. 또한 미국 항공 교통망을 사례로 들어, 특정 공통 이웃이 링크 형성에 미치는 차별적 영향을 직관적으로 설명한다.

상세 분석

링크 예측은 복잡 네트워크 분석에서 핵심 문제로, 미래에 나타날 가능성이 높은 연결을 사전에 식별함으로써 네트워크 설계, 추천 시스템, 생물학적 상호작용 탐색 등에 활용된다. 전통적인 로컬 방법 중 가장 널리 쓰이는 공통 이웃(CN) 기법은 두 노드가 공유하는 이웃의 수가 많을수록 연결 확률이 높다고 가정한다. 그러나 CN은 모든 이웃을 동등하게 취급하므로, 실제 네트워크에서는 이웃의 구조적 중요도나 연결 패턴 차이에 의해 예측 정확도가 제한된다.

본 논문은 이러한 문제점을 해결하기 위해 지역 나이브 베이즈(Local Naïve Bayes, LNB) 모델을 도입한다. 베이즈 정리를 기반으로, 두 노드 u와 v 사이에 존재할 링크의 존재 확률 P(L_uv=1|CN) 를 공통 이웃 각각의 조건부 확률 P(L_uv=1|w) 로 분해한다. 여기서 w는 u와 v의 공통 이웃이며, 각 w에 대해 w가 연결을 촉진하는지 억제하는지를 네트워크 전체에서 관찰된 연결 빈도와 비연결 빈도를 통해 추정한다. 즉, w가 높은 클러스터링 계수를 가지거나, 주변 노드와의 연결이 풍부할 경우 양의 가중치를 부여하고, 반대로 희소한 연결을 가진 경우 음의 가중치를 부여한다.

수식적으로는
S_uv = ∏_{w∈Γ(u)∩Γ(v)} (P(L=1|w) / P(L=0|w))
와 같이 로그 변환 후 가중합 형태로 구현되어, 계산량이 O(k) (k는 공통 이웃 수) 로 유지된다. 이는 기존 CN과 동일한 로컬 복잡도를 가지면서도 각 이웃의 기여도를 차별화한다는 장점을 제공한다.

실험에서는 8개의 다양한 도메인(사회, 생물, 기술) 네트워크를 선택했으며, 평가 지표로는 AUC와 Top‑L 정밀도를 사용하였다. 결과는 대부분의 네트워크에서 LNB가 CN보다 평균 5~12% 정도 높은 AUC를 기록했으며, 특히 연결이 희소하고 클러스터링이 높은 네트워크에서 큰 폭의 개선을 보였다. 이는 LNB가 구조적 특성을 반영한 가중치를 통해 미세한 차이를 포착함을 의미한다.

마지막으로 미국 항공 교통망을 대상으로 한 사례 연구에서는, 특정 공항(예: ATL)이 다른 공항과 공유하는 공통 이웃인 대형 허브 공항들의 가중치가 높게 나타났으며, 이는 실제 항공편 운항 정책과 일치한다. 반대로, 지역 공항 간의 공통 이웃은 낮은 가중치를 받아, 실제로 신규 노선 개설 가능성이 낮은 것으로 해석된다.

전반적으로 LNB 모델은 기존 로컬 방법의 단순성을 유지하면서도 베이즈 기반의 확률적 가중치를 도입함으로써 예측 정확도를 실질적으로 향상시킨다. 향후에는 동적 네트워크나 속성 기반 정보와 결합하여 모델을 확장할 여지가 있다.