무한거울 테스트: 그래프 생성기의 견고성 평가

초록

본 논문은 그래프 생성 모델을 동일 모델에 반복 적용해 “무한거울 테스트”를 수행함으로써, 모델이 내재한 편향과 오류가 시간이 지남에 따라 어떻게 증폭되는지를 분석한다. 6개의 실제 네트워크와 4가지 대표적인 생성기(Kronecker, Chung‑Lu, BTER, ERGM)를 이용해 10단계까지 재귀 학습·생성을 수행했으며, 차수 분포, 고유벡터 중심성, 홉 플롯, 그래프릿 거리 등 다양한 전역·국부 지표를 통해 각 모델의 퇴화 양상을 정량·정성적으로 제시한다.

상세 분석

이 연구는 기존 그래프 생성기의 성능 평가가 주로 단일 생성 단계에서 원본 그래프와의 통계적 차이를 비교하는 데 머물러 있다는 점을 비판한다. 저자들은 “무한거울”이라는 은유를 도입해, 생성된 그래프 G₀를 다시 학습 데이터로 사용하고, 이를 반복함으로써 모델의 손실이 누적되는 과정을 관찰한다. 이 과정은 모델이 실제로 원본 정보를 얼마나 보존하는지를 스트레스 테스트 형태로 드러내며, 특히 편향이 중심적인 구조(예: 고도 중심성 노드)나 희소한 서브그래프에 미치는 영향을 확대한다.

실험에서는 6개의 서로 다른 도메인(신경망, 전력망, 학술 협업, 라우터, 이메일, DBLP) 그래프를 선택해, 각 그래프에 대해 Kronecker, Chung‑Lu, BTER, ERGM(규모 제한으로 제외) 모델을 적용하였다. 각 모델을 최대 10번 재귀 학습·생성하고, 매 단계마다 차수 분포, 고유벡터 중심성, 홉 플롯, 그래프릿 거리(Graphlet Correlation Distance)를 측정했다.

주요 관찰은 다음과 같다.

1. 차수 분포는 대부분의 경우 10단계까지 크게 변하지 않아, 전역적인 스케일‑프리 특성은 비교적 안정적이다. 다만 전력망 데이터에서는 모든 모델이 고차 차수 영역에서 밀도가 감소하는 현상이 나타났다.
2. 고유벡터 중심성은 모델에 따라 크게 달라졌다. Chung‑Lu와 BTER는 ArXiv 데이터에서 중심성 분포가 급격히 평탄해졌지만, Kronecker는 상대적으로 유지했다. 반대로 전력망과 라우터 그래프는 Kronecker에서 심각한 중심성 손실을 보였다.
3. 홉 플롯은 특히 Chung‑Lu와 BTER가 ArXiv에서 재귀가 진행될수록 그래프의 평균 거리 증가가 억제되는 현상을 보여, 네트워크 전파 특성이 왜곡됨을 의미한다. 전력망·라우터 그래프는 모든 모델이 초기 단계부터 홉 플롯을 과소평가했다.
4. 그래프릿 거리와 같은 로컬 서브그래프 분포는 전역 지표와는 다른 퇴화 패턴을 보였다. 일부 모델은 전역 지표는 유지하면서도 삼각형·사각형·4‑클리크와 같은 작은 모티프의 빈도가 급감했으며, 이는 모델이 실제 네트워크의 미세 구조를 손실한다는 강력한 증거다.

이러한 결과는 “무한거울 테스트”가 단순히 평균적인 통계량이 아니라, 네트워크의 핵심 구조와 서브그래프 레벨에서 모델의 취약점을 드러내는 효과적인 도구임을 입증한다. 또한, 모델별 편향(예: Kronecker의 파워‑법칙 전제, Chung‑Lu의 클러스터링 저하, BTER의 블록 구조 가정)이 재귀 과정에서 어떻게 증폭되는지를 구체적으로 시각화한다.

논문의 한계로는 ERGM을 대규모 그래프에 적용하지 못한 점과, 재귀 깊이를 10단계로 제한한 점을 들 수 있다. 향후 연구에서는 더 다양한 모델(예: GraphVAE, Deep Graph Generative 모델)과 더 긴 재귀 시퀀스를 통해 견고성 평가를 확장하고, 편향 보정 메커니즘을 설계하는 방향이 제시된다.