최소 곡률 자동기와 유사성 부착을 이용한 하이퍼볼릭 네트워크 임베딩 및 링크 예측

초록

본 논문은 최소 신장 트리(MST)를 기반으로 하는 최소 곡률 자동기(MCA)를 제안한다. 유사성 부착 규칙에 따라 MST를 순차적으로 성장시키면서 노드의 각도 좌표를 추정하고, 이를 하이퍼볼릭 원판에 매핑한다. 실험 결과, MCA는 각도 추정 정확도에서 HyperMap‑CN보다 우수하고, 공동 임베딩(coalescent embedding)보다 약간 뒤처지지만, 그리디 라우팅 점수와 실제 네트워크에서의 링크 예측 성능에서는 현존 최고의 결과를 보인다. 또한, 적절한 자료구조를 사용하면 시간 복잡도가 거의 선형에 가깝다.

상세 분석

본 연구는 복잡 네트워크가 희소하고, 클러스터링이 높으며, 스몰월드와 이질성을 갖는 경우, 그 숨은 기하학을 최소 신장 트리(MST)라는 탐색자(greedy navigator)를 통해 효율적으로 탐색할 수 있다는 ‘최소 곡률(MC)’ 개념을 확장한다. 저자들은 MST를 “노드 간 거리(유사성)를 최소화하면서 순차적으로 가장 유사한 노드를 연결하는 성장 과정”으로 해석하고, 이를 네트워크 자동기(automaton)의 동작 원리로 채택한다. 핵심 메커니즘은 ‘유사성 부착(similarity attachment)’이다. 기존의 인기 기반 부착(popularity attachment)과 달리, 현재 트리의 코호트(cohort)와 가장 짧은 거리(가장 높은 유사성)를 가진 노드를 선택해 트리에 추가함으로써, 방문 순서 자체가 노드들의 각도(유사성 순서)를 근사한다.

구현 측면에서 저자들은 두 단계의 전처리 가중치(RA1, RA2)를 제안한다. RA1은 이웃 수와 공통 이웃을 이용한 단순 반발‑흡착(repulsion‑attraction) 규칙이며, RA2는 이 규칙을 보정해 보다 정교한 가중치를 제공한다. 전처리된 가중치 그래프에 Prim 알고리즘을 적용해 MST를 성장시키면, 두 가지 변형(MCA1, MCA2)이 가능하다. MCA1은 새 노드를 현재 원형 순서의 같은 쪽에 삽입하고, MCA2는 트리와의 거리 기반으로 더 가까운 쪽에 삽입한다. 각도 배치는 등간(EA) 혹은 RA‑가중치에 비례하는 비례 조정(RAA)으로 수행되며, 반경 좌표는 PSO 모델의 인기‑유사성 이론에 따라 로그 스케일로 할당한다.

성능 평가는 합성 nPSO 네트워크와 30여 개의 실세계 네트워크에서 수행되었다. 평가 지표는 하이퍼볼릭 거리 상관(HD‑correlation)과 그리디 라우팅 점수(GR‑score)이며, 링크 예측은 10% 삭제된 링크를 복원하는 정밀도와 평균 순위로 측정한다. 결과는 다음과 같다. (1) 각도 추정 정확도에서는 MCA(RA2‑MCA1‑RAA)가 HyperMap‑CN보다 우수하고, 공동 임베딩(coalescent embedding)보다 약간 낮다. (2) GR‑score에서는 MCA가 공동 임베딩을 크게 앞서며, 특히 저온(높은 클러스터링) nPSO 네트워크에서 강인한 라우팅 성능을 보인다. (3) 링크 예측에서는 대부분의 실세계 데이터셋에서 MCA가 최고 정밀도와 최저 평균 순위를 기록해, 하이퍼볼릭 기반 방법 중 사상 최고 수준이다.

시간 복잡도 분석에서는 MST 구축에 사용되는 우선순위 큐 자료구조에 따라 O(E·log N) (이진 힙) 혹은 O(E + N·log N) (피보나치 힙)으로 구현 가능함을 보였다. 희소 그래프에서는 실질적으로 O(E) 수준에 근접한다. 따라서 대규모 네트워크에도 실용적인 속도를 제공한다.

이러한 결과는 ‘지역적 유사성 부착 규칙만으로도 전역적인 하이퍼볼릭 좌표를 효과적으로 복원할 수 있다’는 중요한 통찰을 제공한다. 또한, 복잡 네트워크의 위상적 특성을 이용한 저비용 임베딩 방법으로, 네트워크 과학, 생물정보학, 사회과학 등 다양한 분야에서의 구조 분석 및 예측 작업에 직접 적용 가능하다.