속성 기반 무한 네트워크의 작은 표본을 이용한 특성 검정

본 논문은 “속성 기반 무한 네트워크”라는 새로운 모델을 제시하고, 이 모델에 대한 효율적인 샘플링 및 통계적 검정 방법을 개발한다. 속성 기반 네트워크는 각 정점이 유한한 속성 집합 {X_i}에 속하고, 두 정점 i와 j 사이의 연결 확률 p_{ij}=P(δ_{ij}=1|X_i,X_j)로 정의된다. 이러한 설정은 사회학적 동질성(homophily) 현상을 수학적으로 구현하는 데 적합하며, 기존의 Erdős‑Rényi 혹은 Chung‑Lu 모델보다 현실적인 연결 메커니즘을 제공한다. 1. **서론 및 필요성** 대규모 실세계 네트워크는 정점 수가 수백만~수억에 달하고, 구조가 빠르게 변한다. 전체 그래프를 직접 분석하는 것은 계산 비용과 데이터 접근성 측면에서 비현실적이다. 따라서 “로컬 샘플링 → 전역 추정”이라는 로바시(Lovász)식 접근법이 주목받고 있다. 논문은 기존의 무작위 노드/링크 선택, 랜덤 워크, 포레스트 파이어 등 두 가지 큰 카테고리의 샘플링 기법을 정리하고, 특히 로컬 관찰을 통해 전역적인 그래프 특성을 추정하는 전략을 채택한다. 2. **예비 개념 및 중심성** 정점 중심성으로는 degree centrality, eigenvector centrality, Katz centrality를 논한다. 속성 기반 모델에서는 동일 속성을 가진 정점들이 유사한 연결 패턴을 보이므로, 같은 속성 클래스에 속한 정점들의 중심성은 동일하다고 가정한다. Perron‑Frobenius 정리를 이용해 가장 큰 고유값 λ_max와 그 고유벡터가 eigenvector centrality를 정의하고, α→1/λ_max일 때 Katz centrality가 eigenvector centrality로 수렴함을 수식적으로 증명한다. 3. **네트워크에 대한 가정** - 속성 X_i는 유한한 값 집합을 갖는다. - 연결 확률 p_{ij}=f(d(X_i,X_j))이며, f는 거리 d에 대한 감소 함수이고 0<ε≤p_{ij}≤1−ε을 만족한다. - δ_{ij}는 Bernoulli(p_{ij})이며, 서로 독립이라고 가정한다(실제 네트워크에서는 근사적 독립성). - {X_i}는 마코프 랜덤 필드 혹은 Dirichlet 과정으로 모델링될 수 있다. 4. **확률론적 모델링** 인접 행렬 A 대신 확률 행렬 P=(p_{ij})를 정의하고, 실제 인접 행렬 E=(δ_{ij})는 P에 대한 Bernoulli 샘플링으로 본다. 차수 d_i=∑_j δ_{ij}에 대해, Lyapunov 조건을 만족하면 \