시간적 부드러움을 활용한 동적 네트워크 노드 임베딩 모델

초록

본 논문은 동적 네트워크에서 시간에 따라 변하는 정점 임베딩을 학습하기 위해 두 가지 시간적 부드러움 개념을 제안한다. 첫 번째는 정점별로 임베딩을 점진적으로 업데이트하는 ‘레트로핏(retrofitted)’ 모델이며, 두 번째는 전체 정점 임베딩을 선형 변환 행렬로 연결해 미래 스냅샷을 예측하는 ‘선형 변환(linear transformation)’ 모델이다. 두 모델 모두 기존 정적 임베딩 기법을 기반으로 하면서 시간적 연속성을 보존한다. 실험 결과, 9개의 실제 네트워크에 대해 시간적 링크 예측 성능이 기존 방법보다 크게 향상됨을 보였다.

상세 분석

이 논문은 동적 네트워크 임베딩 분야에서 ‘시간적 부드러움(temporal smoothness)’이라는 핵심 가정을 두 가지 형태로 구체화한다. 첫 번째 형태인 로컬 부드러움은 각 정점이 시간에 따라 작은 변화를 겪는다는 전제 하에, 이전 시점의 임베딩 벡터를 새로운 이웃 관계에 맞게 미세하게 조정한다. 이를 구현하기 위해 레트로핏 모델은 초기 시점(t=1)에서 DeepWalk, Node2Vec, LINE 등 기존 정적 임베딩 방법으로 ϕ₁을 학습하고, 이후 스냅샷 G_t에 등장하는 신규 엣지에 대해 정점 v의 벡터 ϕ_{t‑1}(v)와 새로운 이웃 구조를 최소화하는 목적함수(예: L2 정규화 + 그래프 라플라시안)를 통해 ϕ_t(v)로 업데이트한다. 이 과정은 각 정점이 독립적으로 진행되므로, 정점별 시간 흐름을 추적할 수 있어 커뮤니티 진화 분석 등에 유용하다.

두 번째 형태인 글로벌 부드러움은 네트워크 전체가 일관된 선형 변환 W에 의해 시간 전이된다고 가정한다. 여기서는 모든 스냅샷에 대해 정적 임베딩을 별도로 수행한 뒤, ϕ_{t‑1}와 ϕ_t 사이의 최소 제곱 오차를 최소화하는 W를 학습한다. 동질적(homogeneous) 매핑은 모든 시점에 동일한 W를 적용하고, 이질적(heterogeneous) 매핑은 각 시점 쌍마다 별도 W_i를 학습한 뒤 시간 차원에서 평균 혹은 가중합을 수행한다. 이렇게 얻어진 변환 행렬은 관측되지 않은 미래 스냅샷 G_{T+1}의 임베딩을 직접 예측할 수 있게 해, 시계열 예측 및 미래 링크 예측에 강력한 도구가 된다.

두 모델 모두 기존 정적 임베딩이 제공하는 1차·2차 근접성(첫 번째·두 번째 순위) 정보를 그대로 활용하면서, 시간적 연속성을 추가한다는 점에서 차별화된다. 실험에서는 AUC, PR‑AUC, NDCG 등 다양한 평가지표에서 기존 동적 임베딩(예: Zhu et al.의 비음수 행렬분해 기반 모델)보다 0.20~0.60 수준의 절대적 향상을 기록하였다. 또한 코드와 데이터셋을 공개함으로써 재현 가능성을 확보하고, 향후 연구 확장을 위한 기반을 제공한다.