마이크로캐노니컬 SBM을 이용한 비모수 베이지안 네트워크 구조 추론

본 논문은 네트워크의 숨겨진 모듈 구조를 정량적으로 규명하기 위해, 확률적 생성 모델인 stochastic block model(SBM)의 마이크로캐노니컬 변형을 기반으로 한 비모수 베이지안 추론 프레임워크를 제시한다. 전통적인 SBM은 그룹 간 연결 확률을 평균값 수준에서 제어하는 ‘canonical’ 방식으로 정의되지만, 여기서는 네트워크가 반드시 사전에 정의된 하드 제약—노드의 그룹 할당 b, 각 그룹의 정확한 차수 k, 그리고 그룹 간 엣지 수 e—을 만족해야만 하는 마이크로캐노니컬 모델을 채택한다. 이러한 제약은 조인트 확률 P(A,k,e,b)와 마진 확률 P(A,b) 사이에 차이가 없게 만들며, 사전 분포만 정의하면 사후 확률을 정확히 계산할 수 있게 한다. 베이지안 프레임워크는 다음과 같은 계층적 사전 구조를 갖는다. 먼저, 그룹 수 B에 대한 비모수 사전 P(B) 를 두고, 그 다음 그룹 크기 n={n_r}에 대한 사전 P(n|B) 를 정의한다. 그룹 할당 b는 고정된 그룹 크기 n에 대해 최대 엔트로피 분포 P(b|n) 를 따른다. 이후, 그룹 간 엣지 수 e는 각 그룹 쌍에 대한 다항식 사전 P(e|b) 를 두어, 전체 엣지 수 E가 고정된 경우에도 유연하게 조정될 수 있게 한다. 마지막으로, 노드 차수 k는 e 와 b 에 조건부로 정의되는 사전 P(k|e,b) 를 사용한다. 이러한 사전·초사전 체계는 모델이 데이터에 의해 스스로 복잡도를 조절하도록 하며, 과도한 파라미터 수가 발생할 경우 설명 길이 L 이 증가해 사후 확률을 억제한다. 알고리즘적으로는, 저자는 마이크로캐노니컬 제약을 만족하는 그래프 공간을 탐색하기 위해 효율적인 MCMC 샘플러를 설계한다. 핵심 연산은 (i) 노드의 그룹 재배정, (ii) 그룹 병합·분할, (iii) 엣지 수 재분배이며, 각각은 Metropolis–Hastings 기준에 따라 수용 확률이 계산된다. 특히, 그룹 수가 증가해도 연산 복잡도가 O(E log N)  수준으로 유지되도록 설계했으며, 이는 기존의 비모수 SBM 구현이 그룹 수에 따라 급격히 느려지는 문제를 극복한다. 또한, 사후 분포를 직접 샘플링함으로써, 단일 최적화 해에 의존하는 MAP 접근법이 놓칠 수 있는 다중 모드 구조와 불확실성을 포착한다. 논문은 제안된 방법을 다양한 실험에 적용한다. 합성 데이터에서는 알려진 계층 구조를 정확히 복원하고, 그룹 수가 수천 개에 달하는 대규모 네트워크에서도 안정적인 수렴을 보였다. 실세계 데이터(예: 정치적 블로그 네트워크, 생물학적 단백질 상호작용망, 인터넷 AS 레벨 토폴로지)에서는 기존 방법이 과소 추정하거나 과도하게 복잡한 파티션을 제시하는 반면, 마이크로캐노니컬 베이지안 접근은 적절한 그룹 수와 계층 깊이를 자동으로 찾아내었다. 특히, degree‑corrected SBM과 비‑degree‑corrected SBM 사이의 모델 선택 실험에서는, 사후 증거(모델 증거)와 설명 길이 기준이 일치하여, 데이터에 가장 적합한 모델을 객관적으로 판단할 수 있음을 보여준다. 마지막으로, 저자는 베이지안 샘플링과 MDL 기반 MAP 최적화 사이의 트레이드오프를 정량적으로 분석한다. 샘플링은 전체 사후 분포를 탐색해 불확실성 추정과 예측에 유리하지만, 개별 샘플이 노이즈에 민감해 과적합 위험이 있다. 반면, MAP는 가장 압축된 설명을 제공해 보수적인 구조를 반환하지만, 데이터가 충분히 풍부하지 않을 경우 중요한 작은 모듈을 놓칠 수 있다. 이러한 차이를 실제 데이터에 적용해 비교함으로써, 연구자는 두 접근법을 상황에 맞게 선택하거나, 혼합 전략을 사용할 것을 제안한다. 결론적으로, 이 논문은 마이크로캐노니컬 SBM을 기반으로 한 비모수 베이지안 프레임워크가 기존 방법보다 더 깊은 계층 구조 탐색, 자동 그룹 수 결정, 효율적인 대규모 추론을 가능하게 함을 입증한다. 또한, 베이지안 사후 샘플링과 MDL 최적화가 동일한 목표 함수를 공유한다는 이론적 연결고리를 밝히며, 모델 선택과 불확실성 정량화에 대한 새로운 길을 제시한다.