다중과제 가우시안 코퓰라 모델을 활용한 암묵적 소셜 네트워크 영향력 노드 탐지

본 논문은 “네트워크 구조가 사전에 알려지지 않은 상황에서, 여러 전염(컨테이전) 간의 상관관계를 동시에 모델링하고, 각 전염에 대한 시간‑시계열 볼륨을 예측하면서 전염별 영향력 있는 노드를 식별하는 방법”을 제시한다. 1. **연구 배경 및 문제 정의** - 기존 영향력 탐지 연구는 주로 네트워크 그래프가 주어지고, 그 위에서 전염이 확산된다고 가정한다. 실제로는 트위터, 페이스북 등에서 팔로우 관계가 완전하게 파악되지 않거나, 전염(예: 질병, 테러 선전)의 전파 메커니즘이 복잡해 그래프를 직접 구축하기 어렵다. - 또한, 기존 다중과제 선형 영향 모델(MSLIM)은 각 전염에 대해 동일한 “비활성 노드” 가정을 두고, 전염 간 상관성을 활용하지 않는다. 2. **기존 모델 요약** - **LIM (Linear Influence Model)**: V_k(t+1)=∑_{u,l} M_{u,k}(t‑l)·I_u(l+1) 로 표현, 여기서 I_u(l)는 노드 u가 l시간 뒤에 일으키는 평균 감염 수. - **MSLIM**: 각 전염마다 개별 영향력 벡터 I_{u,k}를 두고, Frobenius norm과 그룹‑Lasso를 통해 sparsity를 유도한다. 하지만 전염 간 상관성을 반영하지 못한다. 3. **제안 모델의 핵심 아이디어** - **다중과제 가우시안 코퓰라**: 각 전염 k의 영향력 I_k를 가우시안 주변분포로 가정하고, 전염 간 결합분포를 코퓰라 함수 C(·) 로 연결한다. 구체적으로 Gaussian copula 를 사용해 I =