잠재공간 네트워크 모델의 기하학 선택: MDS와 부트스트랩을 통한 가설 검정

초록

본 논문은 네트워크의 잠재공간이 유클리드인지 하이퍼볼릭인지를 판단하기 위해, 최단경로 거리 행렬에 다차원 척도법(MDS)을 적용하고 스트레스 차이를 비교한다. 기존의 스트레스 기반 선택법에 통계적 불확실성을 반영하기 위해, 퍼뮤테이션 검정과 가우시안 잠재위치 모델(GLPM) 기반 파라메트릭 부트스트랩을 제안한다. 시뮬레이션과 실제 데이터 실험을 통해 제안 방법이 특히 대규모·희소 네트워크에서 기하학을 정확히 식별하는 데 향상된 성능을 보임을 확인한다.

상세 분석

이 연구는 잠재공간 네트워크 모델(Latent Space Network Models)의 기본 가정인 “노드 간 연결 확률은 잠재공간 거리와 반비례한다”는 점에 착안한다. 전통적으로는 유클리드 공간이 기본 선택이었지만, 하이퍼볼릭 공간은 지수적 팽창과 트리 구조와의 유사성 때문에 복잡 네트워크의 높은 차수 분포, 클러스터링, 짧은 평균 경로 길이 등을 자연스럽게 재현한다는 장점이 있다. 논문은 이러한 두 기하학을 구별하기 위해, 관측된 최단경로 거리 행렬을 비유클리드 MDS에 입력하고, 각각의 스트레스(Stress) 값을 계산한다. 스트레스 차이 (S_H^2 - S_E^2)가 음이면 하이퍼볼릭, 양이면 유클리드가 더 적합하다고 판단한다.

하지만 스트레스 자체는 점 추정치에 불과하고, 샘플링 변동성을 반영하지 않는다. 이를 보완하기 위해 두 가지 통계적 검정법을 도입한다. 첫 번째는 퍼뮤테이션 검정이다. 기존 MDS에서는 거리 행렬 자체를 무작위 재배열하지만, 네트워크 구조를 무시하면 삼각 부등식 위배 등 비현실적인 경우가 발생한다. 저자들은 인접 행렬 (Y)를 퍼뮤테이션하여 연결 밀도와 연결성(연결된 그래프 유지)을 보존한 뒤, 새로 만든 그래프의 최단경로 거리 행렬에 MDS를 적용하고 스트레스 차이를 재계산한다. 이 과정을 충분히 반복해 얻은 경험적 분포와 실제 관측값을 비교해 p‑값을 산출한다.

두 번째는 파라메트릭 부트스트랩이다. 여기서는 Gaussian Latent Position Model(GLPM)을 가정하고, 관측된 최단경로 거리 (\delta_{ij})와 잠재 거리 (d_{ij}) 사이의 조건부 확률 (\ell_k(z_i,z_j)=P(\delta_{ij}=k|d_{ij}))를 이론적으로 도출한다. 이를 베이즈 정리와 Chi‑분포를 이용해 (P(d_{ij}|\delta_{ij}=k))를 구하고, 이 분포에서 잠재 거리 샘플을 추출한다. 추출된 잠재 거리로부터 새로운 거리 행렬을 만들고, 이를 다시 확률적 연결 모델(베르누이)로 변환해 부트스트랩 네트워크를 생성한다. 이렇게 생성된 부트스트랩 네트워크 집합에 대해 MDS와 스트레스 차이를 계산하면, 실제 데이터가 어느 기하학에 더 부합하는지에 대한 확률적 판단이 가능해진다.

이론적 전개 외에도 저자들은 (i) 유클리드와 하이퍼볼릭 잠재공간에서 GLPM을 이용한 네트워크 시뮬레이션, (ii) 다양한 평균 차수와 클러스터링 수준을 갖는 희소·대규모 그래프, (iii) 실제 소셜 네트워크, 생물학적 상호작용망 등 45개의 실 데이터에 대해 실험을 수행한다. 결과는 퍼뮤테이션 검정이 보수적이지만 부트스트랩 검정이 특히 노드 수가 10,000 이상이고 평균 차수가 23 수준인 희소 그래프에서 높은 검정력(power)을 보였으며, 두 검정 모두 기존 스트레스 차이 단순 비교보다 기하학 선택 정확도를 10~15% 정도 향상시켰다. 또한, 부트스트랩 과정에서 추정된 (\tau)와 (\phi) 파라미터가 실제 생성 모델과 일치함을 확인해, 제안된 방법이 잠재공간 파라미터 추정에도 활용 가능함을 시사한다.

전체적으로 이 논문은 (1) MDS 기반 스트레스 차이의 통계적 해석을 제공하고, (2) 네트워크 구조를 보존하면서도 무작위성을 도입하는 퍼뮤테이션 설계, (3) GLPM 기반 조건부 거리 분포를 이용한 파라메트릭 부트스트랩이라는 세 가지 혁신을 결합한다. 이는 잠재공간 네트워크 모델링에서 기하학 선택을 정량화하고, 모델 선택 불확실성을 명시적으로 제시함으로써 향후 네트워크 과학, 사회학, 생물정보학 등 다양한 분야에서 보다 신뢰성 있는 구조 추론을 가능하게 할 것이다.