가중 네트워크를 위한 무작위 내적 모델

본 논문은 무작위 내적 모델(RDPM)을 가중 네트워크에 적용하기 위해 **Weighted Random Dot Product Model (WRDPM)** 을 제안한다. 기존 RDPM은 각 노드에 d‑차원 실수 벡터를 할당하고, 두 벡터의 내적을 베르누이 확률의 파라미터로 사용해 엣지 존재 여부를 결정한다. 이때 엣지 가중치는 0 또는 1 에 국한된다. 저자들은 이 구조를 일반화하여, 엣지 가중치를 임의의 파라미터화된 확률분포 P(p₁,…,p_k) 에서 샘플링하도록 설계한다. 구체적인 생성 절차는 다음과 같다. 1. **분포 선택 (WRDPM 0)**: 가중치에 적합한 확률분포 P (예: 포아송, 음이항, 정규 등)를 정의하고, 각 파라미터 p_i 의 정의역 S_i 를 지정한다. 2. **노드 수 선택 (WRDPM 1)**: 네트워크의 노드 수 n 을 정한다. 3. **차원 및 잠재 분포 설정 (WRDPM 2‑3)**: 각 파라미터 p_i 에 대해 차원 d_i 와 잠재 분포 W_i (ℝ^{d_i} 위의 분포)를 선택한다. W_i 에서 샘플된 벡터 X 와 Y 의 내적이 S_i 에 속하도록 제약한다. 4. **노드별 벡터 샘플링 (WRDPM 4)**: 각 노드 j 에 대해 k 개의 벡터 X_{j}^{i} (각 i 에 대해 W_i 에서 독립적으로 추출)를 할당한다. 5. **가중치 생성 (WRDPM 5)**: 노드 j, ℓ 사이의 가중치 A_{jℓ} 는 P 의 파라미터를 ⟨X_{j}^{i}, X_{ℓ}^{i}⟩ (내적)으로 매핑한 뒤, 해당 파라미터값을 이용해 P 에서 샘플링한다. 무방향 그래프의 경우 A_{jℓ}=A_{ℓj} 이며, 자기루프는 0으로 설정한다. 이러한 설계는 여러 기존 모델을 특수 경우로 포함한다. 예를 들어, d=1 이고 P 가 베르누이인 경우는 전통적인 RDPM과 동일하고, P 가 포아송이면 1‑차원 포아송 SBM과 일치한다. 또한, 양의 정부호 파라미터 행렬을 갖는 가중 SBM은 적절한 W_i 와 d_i 를 선택함으로써 WRDPM의 특수 경우가 된다. WRDPM의 핵심 이점은 **벡터 내적을 통한 두 축의 해석**이다. 벡터 사이 각도는 “유사도”(같은 커뮤니티에 속할 가능성)를, 벡터 크기는 “중요도”(노드의 전반적 연결성)를 나타낸다. 따라서 임베딩 결과를 시각화하면, 같은 각도를 공유하는 노드들이 군집을 이루고, 크기가 큰 노드가 네트워크 중심에 위치한다는 직관적 해석이 가능하다. 차원 선택 문제를 해결하기 위해 저자들은 **스트레스 함수**를 제안한다. 이 함수는 임베딩 차원을 d 증가시킬수록 재구성 오차(원본 가중치와 X Xᵀ 근사 간 차이)가 감소하지만, 차원이 과도하게 커질 경우 과적합과 해석 어려움이 발생한다는 점을 정량화한다. 최적 차원은 스트레스 함수의 급격한 감소가 멈추는 지점(엘보우 포인트)으로 결정한다. 이론적 분석 외에도, 논문은 두 실제 데이터셋에 WRDPM을 적용한다. 첫 번째는 학술 논문 공동 저자 네트워크이며, 저자 간 공동 논문 수를 가중치로 사용한다. 차원 선택 스트레스 함수를 통해 d=3 정도가 적절함을 확인하고, 3‑차원 임베딩을 시각화해 연구 분야별 커뮤니티와 핵심 연구자를 명확히 구분한다. 두 번째는 미국 상원 의원들의 투표 행태를 기반으로 한 네트워크로, 각 의원 간의 동일 투표 비율을 가중치로 설정한다. 여기서는 d=2 가 최적이며, 좌우 정당이 명확히 구분되는 동시에, 중도·극단 의원이 중심 혹은 주변에 위치하는 구조를 드러낸다. 두 사례 모두 기존의 이진 SBM 기반 분석보다 가중 정보를 보존함으로써 더 세밀한 구조적 통찰을 제공한다. **제한점 및 향후 과제**로는 다음을 들 수 있다. 첫째, P 와 W_i 의 선택이 사전 도메인 지식에 크게 의존한다는 점이다. 적절한 분포를 지정하지 않으면 모델이 데이터 특성을 제대로 포착하지 못한다. 둘째, 차원 d_i 와 k (파라미터 수)가 늘어날수록 추정 복잡도가 급격히 증가해 대규모 네트워크에 적용하기 어려울 수 있다. 셋째, 현재는 무방향·비자기루프 그래프에 초점을 맞추었으며, 방향성·다중엣지 확장은 별도 연구가 필요하다. 넷째, 파라미터 P 에 대한 베이지안 사후 추정이나 변분 추론을 도입하면 모델 선택과 불확실성 정량화가 가능할 것으로 기대된다. 결론적으로, WRDPM은 가중 네트워크를 위한 강력하고 유연한 잠재 공간 모델을 제공한다. 기존 무작위 그래프 이론과 선형대수적 도구를 그대로 활용하면서, 가중치 정보를 보존하고 차원 축소를 통한 직관적 해석을 가능하게 한다. 이는 네트워크 과학, 사회학, 생물학 등 다양한 분야에서 복합적인 관계 구조를 분석하는 데 유용한 프레임워크가 될 전망이다.