서브리니어 선호 연결 트리의 중심성 및 루트 추정: CMJ 분기 과정 활용

1. **연구 배경 및 동기** 최근 네트워크 데이터가 폭발적으로 증가하면서, 실제 네트워크의 성장 메커니즘을 설명할 수 있는 확률 모델이 활발히 연구되고 있다. 대표적인 모델인 Barabási‑Albert(선형 선호 연결)와 균등 연결 모델은 각각 “부자가 더 부를” 현상과 순수 무작위 연결을 설명한다. 그러나 실제 사회·과학 네트워크에서는 고도·저도 정점 간 격차가 선형보다 완만한 경우가 많으며, 이를 설명하기 위해 f(i)≈(i+1)^α (0<α<1) 형태의 서브리니어 attraction 함수를 도입한다. 이러한 서브리니어 모델은 정점의 최대 차수가 로그 스케일로 성장하고, 차수 분포가 stretched‑exponential 형태를 보이는 것이 특징이다. 2. **문제 정의** 두 가지 핵심 질문을 다룬다. (i) 서브리니어 선호 연결 트리에서 “영구 중심”(persistent centroid) 혹은 최소한 “터미널 중심”(terminal centroid)이 존재하는가? (ii) 중심성 측정을 이용해 루트(가장 오래된 정점)를 추정할 수 있는 유한 크기의 1‑ε 신뢰구간을 구성할 수 있는가? 기존 연구는 선형·균등 모델에서 영구 중심성과 신뢰구간을 Polya‑urn 또는 마팅게일 기법으로 증명했지만, 서브리니어 경우에는 비선형성 때문에 동일한 도구가 적용되지 않는다. 3. **CMJ 분기 과정 도입** 연속시간 Crump‑Mode‑Jagers(CMJ) 분기 과정을 사용해 이산시간 트리 성장 과정을 “정점이 태어나는 순간”에 관찰되는 점 과정 ξ와 동형시킨다. ξ는 순수 출생 마코프 과정이며, 상태 i에서 i+1로 전이할 확률이 f(i)dt 로 정의된다. 개별 개체는 독립적으로 동일한 ξ를 따라 자식을 생산하고, 사망은 없으므로 전체 인구 Z_t는 시간에 따라 지수적으로 증가한다. 4. **Malthusian 파라미터와 수렴** ξ에 대해 Malthusian 파라미터 θ>0가 존재함을 보인다. 이는 ∫_0^∞ e^{−θt} μ(t) dt =1 (μ는 ξ의 평균 강도 측정)이라는 식을 만족한다. 서브리니어 f에 대해 θ는 1<θ<2 사이에 위치한다(선형 모델은 θ=2, 균등 모델은 θ=1). 중요한 정리(Theorem 1)는 e^{−θt} Z_t → W (W>0, 거의 확실히)임을 L^2 수렴으로 증명한다. 이는 트리 규모가 e^{θt} 정도로 성장함을 의미한다. 5. **중심성 정의와 터미널 중심성** 트리 T에 대해 ψ_T(u)=max_{v≠u}|(T,u)_v↓| 로 정의한다. 이는 u를 루트로 했을 때 가장 큰 서브트리의 크기이며, 값이 작을수록 u는 “균형 잡힌” 중심에 가깝다. 정점 u가 centroid이면 ψ_T(u)≤ψ_T(v) ∀v. 서브리니어 모델에서는 최대 두 개의 centroid이 인접해 있을 수 있다. 터미널 중심성은 정의 6에 따라, 어떤 정점 v*가 존재해 모든 다른 정점 u에 대해 충분히 큰 n 이후 ψ_Tn(v*)<ψ_Tn(u) 가 성립한다는 의미이다. 이는 v*가 결국 가장 중심적인 위치를 차지한다는 약한 형태의 수렴을 의미한다. 6. **주요 정리와 증명 아이디어** Theorem 2는 서브리니어 선호 연결 트리에서 거의 확실히 유일한 터미널 중심이 존재함을 선언한다. 증명은 크게 두 단계로 나뉜다. (a) 각 정점의 “attractiveness” A(T)=∑_{x∈T} f(Out‑Deg(x)) 를 정의하고, CMJ 과정의 마팅게일 특성을 이용해 A(T) 가 시간에 따라 일정 비율로 증가함을 보인다. (b) 두 정점 u, v 사이의 ψ 차이가 일정 시간 이후에 부호가 고정되는 “diagonal crossing” 확률을 상한한다. 이를 위해 서브리니어 f에 대한 꼬리 확률을 정밀히 추정하고, “large deviation” 기법을 적용한다. 결과적으로, 어느 시점 이후에도 ψ_Tn(v*)가 모든 다른 ψ_Tn(u)보다 작게 유지되는 정점 v*가 유일하게 존재한다. 7. **루트 추정 및 신뢰구간** ψ 기반 중심성을 활용해 루트를 포함하는 유한 크기의 집합을 구성한다. 구체적으로, ψ_Tn 값이 가장 작은 상위 k개의 정점을 선택하고, k를 ε에 따라 적절히 크게 잡는다(예: k=⌈C·log(1/ε)⌉). 서브리니어 모델에서는 ψ 차이의 확률적 경계가 θ와 f의 꼬리 지수에 의해 제어되므로, 선택된 집합이 실제 루트를 포함할 확률이 1−ε 이상임을 보인다. 이때 k는 전체 트리 크기 n에 독립적이며, 따라서 “finite‑sized confidence set”이 가능하다. 8. **논의 및 향후 과제** 터미널 중심성은 영구 중심성보다 약하지만, 실제 네트워크에서 “가장 중심적인” 정점을 찾는 데 충분히 유용하다. 영구 중심성을 증명하려면 ψ 차이의 수렴 속도를 더 정밀히 제어해야 하며, 이는 현재 CMJ 이론의 한계(예: 정밀한 경계값 부재)와 연결된다. 또한, 서브리니어 모델 외에 초선형(α>1) 경우에도 비슷한 접근법을 적용할 수 있는지, 그리고 실험적 데이터에 대한 검증이 필요하다. 9. **결론** 본 연구는 서브리니어 선호 연결 트리라는 비선형 성장 모델에 CMJ 연속시간 분기 과정을 성공적으로 매핑함으로써, 기존 선형·균등 모델에서 알려진 중심성 결과를 일반화하였다. 유일한 터미널 중심의 존재와 이를 이용한 루트 추정 신뢰구간은 네트워크 과학에서 “중심성 기반 원천 탐지” 문제에 새로운 이론적 토대를 제공한다.