시간을 거스르지 않는 네트워크 임베딩

초록

이 논문은 시간이 지남에 따라 변화하는 네트워크(예: 소셜 미디어, 감염 경로)에서 노드의 의미를 벡터로 표현하는 새로운 방법인 CTDNE를 제안합니다. 기존 방법이 시간 정보를 무시하거나 대략적인 스냅샷으로만 근사하는 문제를 해결하기 위해, ‘시간적 걷기’ 개념을 도입해 정보의 흐름과 같은 시간적 순서를 완전히 보존합니다. 실험 결과, 이 방법은 링크 예측 정확도(AUC)에서 기존 방법 대비 평균 11.9%의 성능 향상을 보였습니다.

상세 분석

본 논문이 제안하는 CTDNE(Continuous-Time Dynamic Network Embeddings)의 핵심 혁신은 ‘시간적 걷기(Temporal Walks)’ 개념의 도입에 있습니다. 기존 DeepWalk, node2vec 등의 방법은 정적 그래프를 가정하거나, 동적 네트워크를 일정 간격의 정적 스냅샷 시퀀스(DTDN)로 분할해 근사했습니다. 이로 인해 시간 순서가 뒤섞인 불가능한 경로(예: 미래 정보를 참조한 과거 행동)가 학습에 포함되어 노이즈가 발생하고 정보 전파, 질병 확산 등의 실제 현상을 정확히 모델링할 수 없는 근본적 한계가 있었습니다.

CTDNE는 연속적인 시간 스탬프가 찍힌 엣지 스트림을 가장 세밀한 시간 단위 그대로 입력받습니다. 시간적 걷기는 출발 노드부터 다음 노드로 이동할 때 반드시 시간이 증가하는 방향으로만 이동하는 경로를 정의합니다. 이는 실제 정보 흐름이나 감염 경로와 정확히 일치합니다. 논문은 이러한 걷기를 생성하기 위한 샘플링 전략(예: 최근/빈번한 엣지에 대한 편향)을 제시하며, 이렇게 생성된 시간적 유효 경로 시퀀스를 Skip-gram 등의 임베딩 알고리즘에 입력합니다.

이 프레임워크의 강점은 일반성에 있습니다. 기존의 랜덤 워크 기반 임베딩 알고리즘은 정적 공간 S에서 경로를 샘플링하는 반면, CTDNE는 시간적 유효 공간 S_T에서 샘플링하도록 변경함으로써, Node2Vec, GraphSAGE 등 기존 방법을 손쉽게 ‘시간 인지’ 버전으로 확장할 수 있는 기반을 마련했습니다. 또한, 새로운 엣지가 스트리밍 형태로 들어올 때 해당 노드에 대해서만 부분적 업데이트를 수행하는 온라인 학습을 자연스럽게 지원합니다. 이는 실시간 추천 시스템이나 이상 탐지에 매우 유용한 특성입니다. 실험적 검증을 통해 단순히 시간 정보를 포함하는 것을 넘어, 시간의 순서와 방향성을 정확히 반영하는 것이 예측 성능 향상의 핵심 요인임을 입증했습니다.