바라시 알버트 네트워크를 위한 구성 모델과 상관관계 재배치

초록

본 논문은 뉴먼이 제안한 재배치 기법을 활용해, 지정된 차수 분포와 두 점 상관관계를 동시에 만족하는 무작위 네트워크를 생성하는 방법을 제시한다. 특히 스케일‑프리 차수 분포를 갖는 바라시‑알버트(BA) 네트워크에 적용하여, 구성 모델에서 얻은 네트워크와 전통적인 선호적 부착 방식으로 만든 실제 BA 네트워크의 구조적 차이를 비교한다. β≥2인 경우 완전 연결(giant component 100%)을, β=1인 경우 약 69%의 거대 성분과 다수의 3‑노드 작은 성분이 형성됨을 확인한다. 또한 k_nn(k) 함수를 통해 저차수 노드의 명확한 비동질성(disassortativity)을, 고차수 노드에서는 약한 동질성(assortativity) 경향을 보고한다. 마지막으로, 재배치 절차를 변형해 동질성 계수 r을 자유롭게 조정하고, 동일 차수 분포를 유지하면서 최대 비동질성을 갖는 네트워크를 생성하는 방법을 제시한다.

상세 분석

이 연구는 두 가지 핵심 기술을 결합한다. 첫 번째는 스케일‑프리 차수 분포의 꼬리를 적절히 이산화하는 ‘Cumulation’, ‘Random hubs’, ‘Probability transformation’ 세 가지 방법 중 하나를 선택해 정확한 N개의 노드와 목표 차수 분포를 구현하는 절차이다. 특히 Dorogovtsev‑Mendes의 일반적인 꼬리 이산화 방식을 보완해, 실제 BA 네트워크에서 관찰되는 거대한 허브들의 존재를 재현한다. 두 번째는 Newman이 고안한 ‘degree‑preserving rewiring’ 알고리즘을 활용해, 사전에 계산된 BA 네트워크의 조건부 확률 P(h|k) 를 목표 상관 행렬 e₀_{jk} 로 설정하고, 무작위로 선택된 두 링크 (a,b)와 (c,d)를 교체함으로써 네트워크의 두 점 상관을 점진적으로 목표값에 수렴시킨다. 이 과정에서 E₁, E₂ 를 이용한 확률적 수용 기준을 적용해, 에너지 함수와 유사한 형태로 재배치 성공률을 높인다.

실험 결과는 β값에 따라 네트워크 연결성에 큰 차이를 보인다. β≥2인 경우 평균 차수 ⟨k⟩=2β 가 충분히 커서, 초기 와이어링 단계에서 이미 거의 모든 스텁이 연결되고, 이후 재배치 과정에서도 고립된 컴포넌트가 생성되지 않는다. 반면 β=1에서는 ⟨k⟩=2이므로, 재배치 후에도 1‑차수 노드가 서로 연결될 확률이 낮아 3‑노드 작은 컴포넌트가 다수 발생한다. 이는 차수 분포와 두 점 상관만으로는 네트워크의 전체 토폴로지를 완전히 규정할 수 없으며, 고차원 구조적 제약(예: 허브‑허브 연결 패턴)이 필요함을 시사한다.

kₙₙ(k)=∑ₕ h P(h|k) 를 계산한 결과, 저차수(k≲10)에서는 급격히 감소하여 비동질성을 나타내고, k≈0.2 n 정도에서 최소값을 보인 뒤 고차수 영역에서는 완만히 상승한다. 이는 기존 BA 네트워크에서 보고된 ‘mixed assortative/disassortative’ 특성과 일치한다. 또한, Newman 재배치를 변형해 r 값을 조정하는 실험에서는, 동일 차수 분포를 유지하면서 r≈−0.09 수준의 최대 비동질성을 달성했으며, 이는 실제 사회 네트워크에서 관찰되는 비동질성 정도와 비교적 일치한다.

이러한 방법론은 (i) 지정된 차수 분포와 정확한 두 점 상관을 동시에 구현할 수 있다는 점, (ii) 재배치 횟수를 N당 10³ 회 정도로 제한해도 빠르게 수렴한다는 점, (iii) r 값을 연속적으로 조절해 다양한 동질성/비동질성 네트워크를 생성할 수 있다는 점에서 실용적이다. 특히 사회적 네트워크와 같이 동질성이 중요한 시스템에 대해, 이론적 상관 행렬을 기반으로 한 합성 네트워크를 손쉽게 만들 수 있다는 점이 큰 장점으로 부각된다.