공동 저자 네트워크에서 비모수적 연결선호와 삼중성 동시 추정

본 논문은 과학 공동 저자 네트워크의 성장 메커니즘을 보다 정밀하게 이해하기 위해, 연결선호(Preferential Attachment, PA)와 삼중성(transitivity)이라는 두 핵심 현상을 동시에 비모수적으로 추정하는 새로운 통계 모델을 제시한다. 서론에서는 현대 과학 연구가 다중 저자 협업으로 급증하고 있음을 언급하며, 기존 연구가 PA와 삼중성을 각각 독립적으로 혹은 파라미터 형태를 가정하고 추정해 왔음에도 불구하고, 실제 네트워크에서는 두 현상이 복합적으로 작용한다는 점을 지적한다. 이에 대한 해결책으로 저자들은 두 함수를 동시에 추정하면서도 형태 가정을 배제하는 모델을 설계한다. 모델은 이산 마코프 과정으로 정의되며, 시간 t에서 새로운 노드 v(t)와 m(t)개의 엣지가 추가된다. 각 엣지가 (i, j) 쌍으로 선택될 확률은 Pij(t) ∝ Ak(i)·Ak(j)·Bb(ij) 로 표현된다. 여기서 Ak(k)와 Bb(b)는 각각 차수 k와 공통 이웃 수 b에 대한 비모수 함수이며, θ는 노드와 엣지 추가 과정의 파라미터로 Ak, Bb와 독립적이라고 가정한다. 이 가정 덕분에 로그우도는 L(A,B|D)+L(θ|D) 로 분리 가능해져, θ를 무시하고 A와 B만을 추정할 수 있다. 로그우도 식을 전개하면 각 (k1,k2,b) 조합에 대한 관측된 새로운 엣지 수 mk1,k2,b(t)와 가능한 노드쌍 수 nk1,k2,b(t)가 등장한다. 직접적인 최대우도 해는 폐쇄형이 없으므로, 저자들은 Minorize‑Maximization(MM) 알고리즘을 도입한다. MM 단계에서는 현재 추정값을 이용해 하한 함수를 구성하고, 이를 최대화함으로써 A와 B를 교대로 업데이트한다. 이 과정은 매 반복마다 로그우도를 증가시켜 수렴을 보장한다. 알고리즘의 구체적 유도와 수렴 증명은 부록에 제시된다. 제안된 방법의 유효성을 검증하기 위해 두 가지 시뮬레이션을 수행한다. 첫 번째는 알려진 비모수 형태(Ak와 Bb가 로그‑다항식)로 네트워크를 생성하고, 제안 방법이 이를 정확히 복원하는지를 확인한다. 두 번째는 실제 통계학 저널 공동 저자 네트워크에서 추정한 A와 B를 이용해 동일한 성장 과정을 재현하고, 세 가지 비교 방법(비모수 단독 추정, 파라메트릭 공동 추정, 기존 비모수 단독 추정)과 성능을 비교한다. 결과는 제안 방법이 함수의 미세한 비선형 구조를 포착하는 데 뛰어나며, 다른 방법들은 파라메트릭 가정으로 인해 큰 편향을 보이거나, 단독 추정 시 다른 메커니즘을 과대평가하는 문제를 나타낸다. 다음으로, 네트워크 성장 과정에서 PA와 삼중성이 각각 얼마나 기여하는지를 정량화하는 새로운 지표를 도입한다. 로그 변환 후 정규화 상수를 제외한 두 항의 변동성을 각각 sPA(t)와 strans(t) 로 정의하고, 시간에 따른 평균값을 비교한다. 이 지표는 확률적 성장 모델에 직접 기반하므로, 메커니즘 간 기여도를 직관적으로 해석할 수 있다. 실제 데이터 분석에서는 두 개의 공동 저자 네트워크(통계학과 물리학 분야)를 대상으로 모델을 적용한다. 추정된 Ak는 전통적인 파워‑법칙 형태와는 달리 초기 차수 구간에서 완만하게 증가하고, 고차수 구간에서 급격히 상승하는 비선형 패턴을 보인다. 반면, Bb는 공통 이웃 수가 증가함에 따라 급격히 상승하는 형태이며, 특히 b가 2~4 정도일 때 급격한 비선형성이 나타난다. 기여도 지표 strans(t)는 전체 성장 기간 동안 sPA(t)보다 현저히 높게 측정되어, 삼중성이 네트워크 확장에 더 큰 역할을 함을 확인한다. 이는 “누구와 협업했는가”보다 “누구와 협업한 사람과 협업했는가”가 과학적 창의성에 더 큰 영향을 미친다는 사회학적 해석과 일치한다. 마지막으로, 제안된 방법은 R 패키지 FoFaF로 구현되어, 데이터 입력, MM 추정, 기여도 계산, 시각화까지 일련의 과정을 제공한다. 저자들은 시간에 따라 변하는 비모수 함수 추정, 대규모 네트워크에 대한 계산 효율성 개선, 그리고 다른 성장 메커니즘(예: 노드 삭제, 가중치 엣지)과의 통합을 향후 연구 과제로 제시한다.