MixMashNet 단일 및 다층 네트워크를 위한 R 패키지

초록

MixMashNet는 연속형, 카운트형, 범주형 변수를 모두 다룰 수 있는 혼합 그래프 모델(MGM)을 기반으로 단일 및 다층 네트워크를 추정·분석하는 R 패키지이다. 사용자는 레이어별 토폴로지를 사전에 정의하고, 부트스트랩을 통해 엣지 가중치와 노드 중심성 지표의 불확실성을 정량화할 수 있다. 또한 커뮤니티 안정성 평가, 커뮤니티 점수 계산, 그리고 Shiny 기반 인터랙티브 시각화 기능을 제공한다.

상세 분석

본 논문은 기존 네트워크 분석 도구들이 단일 레이어 혹은 동일 변수 유형에 국한되는 한계를 지적하고, 이를 극복하기 위한 MixMashNet 패키지를 제안한다. 핵심 기술은 Mixed Graphical Models(MGM)이며, 이는 연속형, 카운트형, 다중 범주형 변수를 동시에 포함하는 고차원 데이터에서 조건부 독립성을 파악한다. 패키지는 mgm의 추정 엔진을 활용하면서, 다층 구조에 맞게 예측 변수 집합을 마스크하는 ‘masked MGM estimator’를 구현한다. 이를 통해 사전에 정의된 레이어 간 연결 제한을 강제하고, 불필요한 사후 프루닝 과정을 생략한다.

정규화는 Elastic Net 형태의 L1·L2 혼합 페널티를 사용하고, 교차검증(CV) 혹은 확장 베이지안 정보 기준(EBIC)으로 최적의 λ와 γ를 선택한다. 기본값 γ=0.25는 거짓 양성 감소에 효과적이며, α 파라미터를 통해 Lasso와 Ridge 사이를 조정한다. 엣지 가중치는 양쪽 노드의 회귀 계수를 절대값 평균으로 합산하며, AND/OR 규칙을 통해 포함 여부를 결정한다. 범주형 변수의 경우 다중 더미 계수를 평균해 단일 가중치로 변환하고, 부호는 연속형·이진 변수와 동일하게 해석한다.

다층 네트워크는 레이어-분리형과 이질형 두 가지 형태를 지원한다. 레이어-분리형에서는 각 레이어가 서로 다른 노드 집합을 갖고, 이질형에서는 노드 자체가 다양한 데이터 타입을 포함한다. 네트워크는 다차원 인접 텐서 형태로 저장되며, 내부적으로는 레이어 간 및 레이어 내 엣지를 구분한다.

패키지는 네트워크 중심성 지표(Strength, Closeness, Betweenness, Expected Influence)를 기본 제공하고, 커뮤니티 탐지를 위해 Louvain, Fast‑Greedy, Walktrap, Infomap, Edge Betweenness 등 다섯 가지 알고리즘을 구현한다. 커뮤니티 기반 브리지 중심성(Bridge Strength, Bridge Closeness, Bridge Betweenness, 1‑step·2‑step Expected Influence)과, 부트스트랩 결과에 따라 안정성이 낮아 커뮤니티에 할당되지 않은 ‘제외 노드’에 대한 브리지 지표도 계산한다.

불확실성 정량화는 전체 네트워크 추정 과정을 B개의 부트스트랩 샘플에 대해 반복 수행하고, 각 복제에서 얻은 엣지 가중치·중심성·커뮤니티 구성을 저장한다. 이후 평균·표준편차·신뢰구간을 제공함으로써 연구자는 추정 결과의 신뢰성을 직접 확인할 수 있다. 시각화는 ggplot2 기반 정적 플롯과 Shiny 앱을 통해 인터랙티브하게 제공되며, 레이어 선택, 노드 색상·크기 매핑, 커뮤니티 강조 등 다양한 옵션을 지원한다.

전반적으로 MixMashNet는 데이터 유형 혼합, 다층 구조 정의, 정규화 기반 고차원 추정, 부트스트랩 기반 안정성 평가, 그리고 풍부한 시각화 도구를 하나의 패키지에 통합함으로써, 심리학·생물학·사회과학 등 다양한 분야에서 복합 네트워크 분석을 수행하려는 연구자들에게 실용적인 솔루션을 제공한다.