동적 네트워크를 위한 출생·소멸 과정 결합 확장 SBM

초록

본 논문은 정점 수가 시간에 따라 변하는 동적 네트워크를 모델링하기 위해, 출생·소멸 과정을 결합한 동적 확률 블록 모델(BD‑SBM)을 제안한다. 각 정점은 태어날 때 부모의 커뮤니티를 물려받으며, 평생 동안 커뮤니티 이동이 없고, 에지는 정해진 커뮤니티 간 연결 확률 행렬에 따라 베르누이 분포로 생성된다. 저자는 평균장(mean‑field) 변분 프레임워크를 기반으로 한 변분 EM(VEM) 알고리즘을 설계해 파라미터와 잠재 커뮤니티 라벨을 효율적으로 추정한다. 시뮬레이션 및 arXiv 협업 네트워크 실험을 통해 모델의 회복력과 예측 정확도를 검증한다.

상세 분석

본 연구는 기존 동적 SBM(dSBM)들이 정점 집합을 고정된 크기로 가정하는 한계를 극복하고자, 연속시간 출생·소멸 프로세스를 정점 집합의 동적 변화와 직접 결합한 BD‑SBM을 설계하였다. 핵심 가정은(1) 정점이 네트워크에 등장하면 부모 정점의 커뮤니티 라벨을 그대로 물려받으며, 이후 생존 기간 동안 라벨이 변하지 않는다. 이는 가계·클랜·팀과 같이 계통적 소속이 유지되는 실제 시스템을 모델링하는 데 적합하다. (2) 출생·소멸률 λ, μ는 모든 커뮤니티에 대해 동일하게 설정해 파라미터 추정의 폐쇄형 해를 가능하게 하였으며, 커뮤니티별 λ, μ를 확장으로 제시해 유연성을 확보한다. (3) 에지는 정점 집합이 현재 살아있는 정점들로 제한된 시점에 스냅샷 형태로 관측되며, 각 스냅샷은 정해진 커뮤니티 할당에 따라 독립적인 SBM을 따른다.

추론 단계에서는 관측되지 않은 라벨 Z와 정점 수 변화를 나타내는 라벨 크기 변수 L을 동시에 다루어야 하는데, 직접적인 최대우도는 가능한 라벨 조합이 기하급수적으로 늘어나 계산이 불가능하다. 이를 해결하기 위해 저자는 평균장 변분 분포 q(Z,L)=∏i q_i(Z_i)∏ℓ,k q{ℓk}(L{ℓk}) 형태의 구조화된 변분 가족을 도입한다. 각 정점 라벨에 대한 변분 파라미터는 기존 SBM 변분 EM과 동일하게 업데이트되며, 정점 수 변화를 담당하는 L에 대해서는 베르누이/다항식 형태의 변분 파라미터를 사용해 출생·소멸 이벤트의 확률을 근사한다. E‑step에서는 현재 파라미터 하에 라벨과 크기 변수의 기대값을 계산하고, M‑step에서는 λ, μ, π, β를 기대 로그우도에 대한 폐쇄형 식으로 업데이트한다. 특히 λ와 μ는 전체 출생·소멸 이벤트 수와 평균 체류 시간을 이용해 단순 비율 형태로 추정 가능하도록 설계되었다.

알고리즘의 수렴성은 변분 하한이 매 반복마다 비감소함을 보이며, 실험에서는 10~20번의 반복만에 안정적인 파라미터 추정이 이루어진다. 복잡도는 정점 수 N과 스냅샷 수 T에 대해 O(NT K) 수준으로, 기존 dSBM 대비 큰 추가 비용 없이 동적 인구 변동을 처리한다.

실험에서는 (1) 다양한 λ/μ 비율과 커뮤니티 구조를 가진 합성 데이터에서 정확한 커뮤니티 복구와 인구 규모 예측을 확인했으며, (2) arXiv 논문 공동저자 네트워크에 적용해 연구팀(커뮤니티)과 팀 규모 변화(출생·소멸)를 동시에 추정했다. 특히 팀 내 신규 연구원의 유입이 기존 지도교수의 팀에 귀속되는 가정을 통해 실제 관측된 팀 성장 패턴을 잘 재현하였다.

제한점으로는 (i) 커뮤니티 간 출생·소멸률 차이를 모델링하려면 추가 파라미터와 복잡한 변분 구조가 필요하고, (ii) 라벨이 평생 고정된다는 가정이 개인이 팀을 옮기는 경우를 포착하지 못한다는 점이 있다. 향후 연구에서는 라벨 전이 모델을 도입하거나, 비동질적 출생·소멸률을 베이지안 계층 구조로 확장하는 방안을 제시한다. 전반적으로 BD‑SBM은 동적 네트워크 분석에 인구 변동을 정량적으로 포함시킬 수 있는 강력한 프레임워크이며, 변분 EM 기반 추정 방법은 실용적인 규모의 데이터에 적용 가능함을 보여준다.