그래프 신경망을 활용한 비증상 감염자 탐지

초록

본 논문은 SI 네트워크 전염 모델에서 관측되지 않은 감염(비증상) 노드를 식별하기 위해, 관측된 감염 노드와 네트워크 구조를 기반으로 8가지 정규화 특징을 추출하고 이를 입력으로 하는 그래프 컨볼루션 네트워크(GCN)를 학습한다. BA와 WS 두 종류의 무작위 그래프, 다양한 네트워크 규모 및 관측 확률(θ) 하에서 실험을 수행했으며, 제안 방법은 기존 관측 베트윈니스 기반 방법보다 높은 정확도를 보이며, 특히 네트워크 크기와 관측 비율이 변해도 견고함을 유지한다.

상세 분석

이 연구는 전염병 확산 과정에서 증상이 나타나지 않는 비증상 감염자를 사전에 식별하는 문제를 SI 모델에 한정하여 접근한다. 기존 연구들은 주로 베트윈니스와 같은 단일 네트워크 중심성 지표를 활용하거나, 마코프 과정 기반의 복합 모델을 제안했지만, 시간에 따른 상태 변화를 필요로 하거나 복잡한 파라미터 추정이 요구되는 단점이 있었다. 본 논문은 이러한 한계를 극복하기 위해, 단일 스냅샷만을 이용해 노드 수준의 풍부한 특징을 설계한다. 구체적으로 관측 여부(이진값), 정규화된 차수, 거리 k(1~3) 내 관측 감염자 비율, 거리 ≤2 내 관측 감염자 비율, 전통적인 베트윈니스, 그리고 관측 베트윈니스(관측된 감염자 쌍 사이 최단경로에 포함된 비율) 등 총 8개의 특성을 계산한다. 모든 연속형 특성은 그래프마다 평균 0, 표준편차 1로 정규화하여 규모에 독립적인 입력을 만든다.

특징 설계 이후, 2계층 Graph Convolutional Network(GCN)를 적용해 각 노드에 비증상일 확률을 출력한다. 학습은 관측된 감염자와 비증상·감염되지 않은 정상자를 라벨링한 대규모 합성 데이터셋(각 1,000개 스냅샷, 노드 수 3,000)에서 수행되며, BA와 WS 두 네트워크 모델, 전염 확률 β∈{0.1,0.3,0.5}, 관측 확률 θ∈{0.1,0.25,0.5,0.75,0.9}를 조합해 다양한 상황을 시뮬레이션한다. 테스트 단계에서는 학습과 동일한 파라미터 외에 노드 수를 1k, 3k, 6k, 12k로 변형해 일반화 능력을 검증한다.

실험 결과, 제안 GCN 모델은 관측 베트윈니스 단일 기준보다 평균 812% 높은 AUC를 기록했으며, 특히 WS 네트워크(높은 클러스터링)에서 큰 폭의 성능 향상을 보였다. 반면 BA 네트워크에서는 일부 경우 관측 베트윈니스와 비슷한 수준이었지만, 전체적으로는 안정적인 성능을 유지했다. 또한, 관측 확률 θ가 낮아질수록(즉, 비증상 비율이 높아질수록) 모델의 정확도가 다소 감소했지만, 0.10.5 구간에서는 여전히 0.75 이상의 AUC를 유지했다. 네트워크 규모 확대에 대해서도, 학습된 파라미터를 그대로 적용했을 때 성능 저하가 미미했으며, 이는 정규화된 특징과 GCN의 지역적 메시징 메커니즘이 규모 불변성을 제공함을 시사한다.

한계점으로는 SI 모델 자체가 감염 후 회복이 없고, 전염 확률이 균일하다는 가정이 현실과 차이가 있다는 점이다. 또한, 실제 데이터에서 관측 노드의 오류(오진·누락)와 시간적 동적 정보가 존재할 경우 현재 프레임워크는 직접 적용하기 어렵다. 향후 연구에서는 SIR·SEIR 등 복합 모델로 확장하고, 시계열 그래프 신경망을 결합해 시간 정보를 활용하는 방안을 모색할 필요가 있다.