동적 네트워크 분석을 위한 공동 대각화 기법

초록

본 논문은 접촉 네트워크에서 추출한 스패닝 트리들의 행렬에 공동 대각화(Joint Diagonalisation, JD)를 적용해 평균 고유공간을 구하고, 이를 통해 ‘평균 스패닝 트리’와 네트워크의 주요 전파 경로를 재구성한다. 실제 데이터에서 편차 분포가 다중 모드임을 확인함으로써 시간에 따라 변화하는 네트워크 모드를 식별한다.

상세 분석

논문은 먼저 동적 접촉 네트워크를 정적 그래프로 단순히 합치는 기존 방법의 한계를 지적한다. 대신 각 시점에서 무작위 루트 노드를 선택해 BFS(폭우선 탐색)로 스패닝 트리를 생성하고, 이들 트리의 인접 행렬을 샘플 집합 H₁,…,H_M 으로 정의한다. 공동 대각화는 모든 샘플을 동일한 직교 행렬 U 로 변환해 대각 행렬 C_i 로 표현하도록 최적화한다(식 3‑5). 오프‑다이아고날 제곱합을 최소화하는 U 를 찾음으로써 평균 고유벡터 \bar{U} 를 얻고, 이를 이용해 평균 샘플 행렬 \bar{H}= \bar{U},\bar{C},\bar{U}^T 를 구성한다. \bar{H}는 각 링크가 스패닝 트리에서 차지하는 비율을 가중치로 나타내는 완전 가중 그래프이며, 이를 통해 전파 경로의 대표성을 파악한다.

실험에서는 Cambridge, Infocom06, MIT 세 개의 실제 Bluetooth 접촉 데이터와 인위적으로 만든 합성 네트워크를 사용한다. 각 데이터셋에 대해 10 000개의 스패닝 트리를 생성하고 JD를 적용한 뒤, 편차 δ_i 의 분포를 커널 스무딩 및 Gaussian Mixture Model로 분석한다. 결과는 다중 피크를 보이며, 이는 네트워크가 서로 다른 ‘모드’(예: 수업 시간, 야간, 휴식 시간)로 전이함을 의미한다. 각 모드별 \bar{H} 를 시각화하면, 특정 시간대에만 활성화되는 다리 노드(예: 노드 3·20)가 드러나며, 이는 감염 확산 시뮬레이션(SIR 모델)에서도 높은 전파 속도로 확인된다.

또한, 스패닝 트리에서 특정 링크를 인위적으로 제거해 선호 경로를 만들면 JD가 해당 링크의 가중치를 크게 감소시켜, 평균 그래프가 실제 전파 구조를 정확히 반영함을 보여준다. 이와 같이 JD는 동적 네트워크의 구조적 변화를 정량화하고, 시간에 따른 모드 분리를 가능하게 하는 강력한 도구임을 입증한다.