단일 네트워크 실현에서 선택적 추론 구현

초록

본 논문은 하나의 관측된 네트워크만을 이용해 데이터‑드리븐 파라미터를 선택하고, 선택된 파라미터에 대해 정확한 신뢰구간을 제공하는 새로운 샘플‑스플리팅 기법을 제안한다. 가우시안·포아송·베르누이 세 종류의 엣지 분포에 대해 각각 독립적인 두 네트워크(또는 베르누이 경우 조건부 의존 네트워크)를 생성하는 ‘thinning’·‘fission’ 방법을 도입하고, 추정된 커뮤니티 기반 평균 연결강도에 대한 선형 결합을 선택 파라미터로 설정한다. 이론적 증명을 통해 선택적 커버리지를 만족함을 보이고, 시뮬레이션 및 돌고래 사회 네트워크 데이터에 적용해 실용성을 확인한다.

상세 분석

이 연구는 “단일 실현(single realization)”이라는 제한된 데이터 환경에서 발생하는 선택 편향(selective bias)을 정교하게 해결한다는 점에서 의미가 크다. 전통적인 샘플 스플리팅은 독립적인 관측이 여러 개 있을 때만 적용 가능하지만, 네트워크에서는 노드와 엣지가 하나의 복합 구조를 이루어 별도의 복제 데이터를 만들기 어렵다. 저자들은 각 엣지를 독립적으로 ‘thin’(가우시안·포아송)하거나 ‘fission’(베르누이)함으로써 원본 네트워크를 두 개의 서브 네트워크 A(tr)와 A(te)로 분할한다. 가우시안과 포아송 경우, 엣지 값을 확률 ϵ(0<ϵ<1)로 나누어 두 네트워크가 완전히 독립적이며 각각 원본 평균의 ϵ·M과 (1‑ϵ)·M을 갖는다. 이는 Fisher 정보가 두 서브에 비례적으로 할당된다는 점에서 효율적이다. 반면 베르누이 엣지는 완전한 독립 분할이 불가능하므로, 엣지를 확률 γ(0<γ<0.5)로 토글(toggling)하는 방식으로 A(tr)를 만든 뒤, 원본 A를 조건부 분포 A(te|A(tr))로 활용한다. 이때 A(te)는 A(tr)와 의존하지만, 조건부 확률이 명시적으로 도출되어 추론 단계에서 정확히 보정할 수 있다.

선택 파라미터 θ는 A(tr)로부터 추정된 커뮤니티 할당 ˆZ(tr)를 이용해 정의된다. ˆZ(tr)는 Spectral Clustering 등 임의의 커뮤니티 탐지 알고리즘으로 얻을 수 있으며, K×K 행렬 B는 각 커뮤니티 쌍(k,ℓ) 사이의 평균 기대 연결강도 E