연결된 다층 네트워크에서의 중심성 확장

초록

이 논문은 텐서 기반의 수학적 프레임워크를 이용해, 기존 단일층(모노플렉스) 네트워크에서 사용되던 중심성 지표들을 연결된 다층(멀티플렉스) 네트워크에 자연스럽게 확장한다. 층간 연결을 무시하고 단순히 층들을 합친 가중 그래프를 사용할 경우, 노드 순위에 큰 차이가 발생함을 이론적·수치적으로 입증한다.

상세 분석

본 연구는 복잡계 분석에서 핵심적인 문제인 ‘노드의 중요도’를 다층 구조에 적용하기 위해 텐서 형식의 인접성을 도입한다. 기존의 2차원 인접 행렬을 4차원 인접 텐서 Mᵢαⱼβ 로 일반화함으로써, 동일 노드가 여러 층에 존재하고 층간 전이 비용이 존재하는 상황을 정확히 모델링한다. 텐서 연산을 통해 층별 인접 행렬 Wᵢⱼ(α)와 층간 연결 텐서 Cᵢⱼ(αβ) 를 통합하고, ‘축소’ 연산을 이용해 전체 네트워크의 집계 그래프 Gᵢⱼ 를 얻는 과정에서 정보 손실을 명시적으로 보여준다.

중심성 확장은 크게 두 축으로 나뉜다. 첫째, 정적 토폴로지 기반 지표(예: 차수, 고유벡터 중심성, 클러스터링 계수)를 텐서 형태로 재정의한다. 차수는 kᵢα = Mᵢαⱼβ uⱼβ 로, 여기서 uⱼβ 는 모든 노드·층에 대한 단위 텐서이며, 전체 차수는 층 인덱스를 합산해 얻는다. 고유벡터 중심성은 Mᵢαⱼβ 의 가장 큰 고유값에 대응하는 고유텐서를 구함으로써, 층간 전이와 내부 연결을 동시에 고려한다.

둘째, 동적 기반 지표, 특히 랜덤 워크 점유 중심성(OCC)와 전이 확률 텐서 Tᵢαⱼβ 를 이용한 페이지랭크식 확장이 제시된다. 마스터 방정식 pⱼβ(t+1)=Tᵢαⱼβ pᵢα(t) 의 정상 상태 Πᵢα 는 각 노드·층의 장기 체류 확률을 제공하고, 이를 층별로 합산하면 전체 네트워크에서의 중요도를 얻는다. 이때 층간 전이 확률은 비용 ω 에 의해 조정되며, 비용이 클수록 워커는 같은 층에 머무르는 경향이 강해진다.

실험에서는 실제 사회·교통 데이터와 인공적으로 생성된 다층 네트워크에 대해, 집계 그래프 기반 순위와 텐서 기반 순위를 비교한다. 결과는 특히 층간 연결이 비대칭이거나 비용이 크게 차이날 때, 집계 그래프가 노드의 실제 영향력을 크게 과소·과대 평가한다는 점을 강조한다. 또한, 랜덤 워크 기반 중심성이 전파 모델링이나 전염병 확산 시뮬레이션과도 높은 상관관계를 보이며, 다층 구조를 고려한 중심성 측정이 동적 프로세스 예측에 필수적임을 입증한다.

이 논문의 주요 기여는 (1) 다층 네트워크를 텐서 형태로 정형화함으로써 기존 중심성 지표를 일관되게 확장한 이론적 틀, (2) 층간 전이 비용을 명시적으로 포함한 동적 중심성 모델, (3) 집계 그래프와 텐서 기반 접근법의 차이를 정량적으로 보여주는 실증적 분석이다. 이러한 결과는 복합적인 관계망을 다루는 사회학, 생물학, 교통공학 등 다양한 분야에서 노드의 실질적 영향력을 정확히 파악하고, 정책·전략 수립에 활용될 수 있다.