다층 방향성 네트워크의 비대칭 커뮤니티 수 추정

본 논문은 다층 방향성 네트워크에서 송신자와 수신자 커뮤니티 수가 서로 다를 수 있는 상황을 다루며, 이를 모델링하기 위해 다층 확률적 공동 블록 모델(ML‑ScBM)을 도입한다. ML‑ScBM은 n개의 노드가 L개의 레이어에 걸쳐 동일한 송신자(gₛ)와 수신자(gᵣ) 라벨을 유지하지만, 각 레이어마다 블록 확률 행렬 B^{(ℓ)}가 달라질 수 있도록 설계돼, 레이어별 상호작용 패턴을 유연하게 포착한다. 이러한 모델 하에서 핵심 과제는 Kₛ(송신자 커뮤니티 수)와 Kᵣ(수신자 커뮤니티 수)를 사전에 알 수 없다는 점이다. 기존의 커뮤니티 수 추정 방법들은 대부분 무방향 그래프나 단일층 모델에 국한돼, 다층·비대칭 상황에 직접 적용하기엔 한계가 있었다. 논문은 먼저 적합도 검정통계 ˆTₙ을 정의한다. 각 레이어 ℓ에 대해 관측 인접 행렬 A^{(ℓ)}와 기대값 Ω^{(ℓ)}=gₛ B^{(ℓ)} gᵣᵀ의 차이를 정규화한 잔차 행렬 R^{(ℓ)}를 만든 뒤, 이를 레이어별로 평균(또는 가중합)하여 집계 행렬 ˆR를 만든다. ˆR의 가장 큰 특이값 σ₁(ˆR)는 이론적으로 2에 수렴한다는 사실을 비대칭 랜덤 행렬 이론을 통해 증명한다. 따라서 귀무가설(H₀: (Kₛ,Kᵣ)가 정확히 지정됨) 하에서는 ˆTₙ = |σ₁(ˆR)−2|의 상한이 0에 수렴하고, 과소적합(즉, 실제 커뮤니티 수보다 작은 kₛ 또는 kᵣ) 상황에서는 블록 구조가 충분히 설명되지 않아 σ₁(ˆR)→∞, 즉 ˆTₙ이 무한대로 발산한다. 이 “sharp dichotomy”는 모델 선택에 강력한 통계적 근거를 제공한다. 이 특성을 활용해 두 가지 순차적 탐색 알고리즘을 제시한다. 첫 번째는 후보 집합을 (kₛ,kᵣ) 사전 순서(lexicographic)로 검사하면서, ˆTₙ이 사전에 설계된 감소 임계값 τₙ 이하가 되는 최초의 쌍을 최종 추정값으로 채택한다. τₙ은 n이 커짐에 따라 천천히 0으로 수렴하도록 설계돼, 과소적합 영역에서는 ˆTₙ이 크게 유지되므로 조기 종료를 방지한다. 두 번째는 비율 기반 방법으로, 연속된 후보 쌍에 대한 ˆTₙ 값을 비율 rₙ = ˆTₙ(kₛ,kᵣ)/ˆTₙ(kₛ+1,kᵣ+1) 로 계산한다. 비율이 급격히 상승하는 지점을 “전이점”으로 잡아, 그 전까지는 과소적합, 이후는 충분히 적합한 모델이라고 판단한다. 두 방법 모두 계산 복잡도가 O(K_{cand}²) 이하이며, 실제 구현에서는 특이값 계산을 빠르게 수행할 수 있는 Lanczos 혹은 power iteration 기법을 이용한다. 이론적 분석에서는 비대칭 랜덤 행렬의 특이값 상한을 비대칭 버전의 Marchenko–Pastur 법칙과 자유 확률 이론을 결합해 정밀히 추정한다. 특히, Assumption 3 (K_{max}² L log n / n → 0) 하에서 정규화 잔차 행렬의 스펙트럼 노름이 O_p(√{K_{max}² L log n / n}) 수준으로 수렴함을 보이며, 이를 통해 ˆTₙ의 상한이 0으로 수렴함을 증명한다. 반면, 과소적합 상황에서는 블록 행렬의 저차원 구조가 잔차에 남아 특이값이 Ω(√{n}) 수준으로 성장함을 보여, 통계량이 무한대로 발산함을 보인다. 이러한 두 결과를 결합해, 제안된 알고리즘이 Kₛ와 Kᵣ를 일관적으로 추정한다는 정리(Consistency Theorem)를 제시한다. 실험에서는 합성 데이터와 실제 다층 방향성 네트워크(국제 무역, 뇌 연결, 이메일 커뮤니케이션)를 사용해 기존의 베이지안 정보 기준(BIC), 교차 검증, 단일층 특이값 기반 방법과 비교한다. 결과는 제안된 두 알고리즘이 특히 레이어 수가 적당히 많고, 커뮤니티 크기가 불균형한 경우에도 정확히 Kₛ와 Kᵣ를 복원하며, 오버피팅을 방지하는 데도 강인함을 보인다. 결론적으로, 이 논문은 다층 방향성 네트워크에서 비대칭 커뮤니티 수를 추정하기 위한 최초의 통계적 검정 프레임워크와 효율적인 탐색 알고리즘을 제공한다. 비대칭 특이값 이론과 정규화 잔차 행렬 분석을 결합함으로써 모델 선택의 이론적 근거를 명확히 하고, 실제 데이터에 적용 가능한 실용적인 절차를 제시한다.