다중층 네트워크 에지 확률 공동 추정 및 이웃 스무딩

초록

본 논문은 다중층 네트워크의 에지 확률을 동시에 추정하기 위해, 층별 잠재 위치를 추가한 3차원 그래프온 모델을 제안한다. 두 단계의 이웃 스무딩 알고리즘을 통해 층과 노드 양쪽의 유사성을 활용하며, 적은 튜닝으로 높은 추정 정확도와 빠른 수렴을 달성한다. 실험과 실제 무역 네트워크 사례에서 기존 방법을 능가함을 보인다.

상세 분석

이 연구는 기존의 2차원 그래프온을 확장하여, 노드 잠재 변수 ξ와 층 잠재 변수 η를 결합한 3차원(ternary) 그래프온 f(ξ_i, ξ_j, η_k)를 정의한다. η_k는 각 층의 숨은 특성을 나타내며, η_k가 고정되면 전통적인 그래프온으로, 시간에 따라 변하면 동적 그래프온, 두 값만 가질 경우 변곡점 탐지 등 다양한 특수 경우를 포괄한다. 이러한 일반화는 다중관계, 동적, 하이퍼그래프 등 복합 네트워크 모델을 통합적으로 기술할 수 있게 한다.

알고리즘은 두 단계로 구성된다. 첫 단계에서는 층 간 유사성을 측정하기 위해 각 층의 그래프온 슬라이스 간 L2 거리를 근사한다. 직접적인 자기 내적은 편향이 크므로, 인접한 두 층의 교차 내적을 이용해 자기 내적을 대체한다. 이를 통해 층 거리 ˜d(k,k′)를 계산하고, quantile 기반 임계값 h₁을 사용해 이웃 층 집합 N_k를 선정한다. 두 번째 단계에서는 선택된 이웃 층 내에서 노드 간 유사성을 평가한다. 노드 i와 i′의 확률 행렬 차이를 quantile h₂로 제한해 이웃 노드 집합 N_{k′,i}를 만든다.

이후, 식 (1)과 (2)에 따라 선택된 층·노드 이웃들의 인접 행렬 값을 평균하여 에지 확률 ˜P_{ij,k}를 추정한다. 대칭 네트워크의 경우 대칭화된 추정값 ˆP_k를 사용한다. 전체 과정은 텐서 연산으로 벡터화되어 계산 복잡도를 크게 낮춘다.

이론적으로는 n(노드 수)와 K(층 수)의 스케일에 따라 기존 단일층 이웃 스무딩보다 빠른 수렴률을 보이며, Lipschitz 연속성을 가정한 경우 오차 상한을 명시한다. 실험에서는 합성 데이터와 세계 식품 무역 네트워크를 대상으로 링크 예측 정확도, AUC, RMSE 등을 비교했으며, 제안 방법이 기존 MSBM, Tucker 분해 기반 방법, 단일층 그래프온 추정법을 모두 앞섰다. 특히 층 간 정보가 풍부한 경우(예: 무역 품목별 네트워크) 이웃 스무딩이 큰 성능 향상을 제공한다.

이 논문은 다중층 네트워크 분석에 있어 그래프온 기반 확률 모델링과 효율적인 비모수 추정 방법을 결합한 최초의 시도 중 하나이며, 층·노드 간 유사성을 동시에 활용함으로써 실용적인 링크 예측 및 네트워크 구조 추정에 강력한 도구를 제공한다.