최대 엔트로피 기반 네트워크 모델 검정: ERGM과 제약 최적화

본 논문은 네트워크 데이터에 대한 가설 검정을 최대 엔트로피 원리를 기반으로 새롭게 정립한다. 저자들은 먼저 그래프 전체 집합에 대한 확률분포의 엔트로피를 정의하고, 기대 모티프 카운트(예: 엣지 수, 삼각형 수 등)를 제약조건으로 두어 라그랑주 승수 λ를 도출한다. 이 λ는 제약조건이 실제 데이터와 얼마나 부합하는지를 나타내는 통계량이며, 라그랑주 승수 검정(Lagrange Multiplier test)과 동일한 형태를 갖는다. 논문은 크게 네 가지 상황을 다룬다. 첫 번째는 정점 수가 고정된 경우이다. 여기서는 샘플이 임의의 분포에서 독립적으로 추출된다고 가정하고, λ̂ₙ이 √n 스케일에서 평균 0, 공분산 Σ를 갖는 정규분포로 수렴함을 증명한다(정리 3.2). 이를 바탕으로 기대 모티프 카운트가 사전 지정된 G₀와 일치하는지 여부를 검정하는 적합도 검정이 제안된다. 두 번째는 정점 수가 증가하는 조밀 그래프(ERGM)이다. ERGM은 그래프 자유에너지와 로그합지수 근사를 통해 라그랑주 승수의 비선형 방정식을 유도한다. 비선형 대편차 이론(Chatterjee–Dembo 등)을 활용해, λ̂ₙ이 대규모 그래프에서도 동일한 정규성을 유지함을 보인다. 특히, 조밀 에르되시–레니 그래프(G(N,p), p=O(1))는 ERGM의 특수 경우이므로, 엣지 확률 p에 대한 적합도 검정과 두 표본 검정이 자연스럽게 도출된다. 세 번째는 정점 수가 증가하는 희소 그래프(희소 에르되시–레니)이다. 여기서는 모티프 카운트가 포아송 분포에 수렴한다는 특성을 이용한다. 저자들은 지수적으로 기울어진(empirically tilted) 카운트를 Z‑추정량 형태로 표현하고, 이를 통해 λ̂ₙ의 점근적 정규성을 증명한다. 이때 ‘엄격히 균형된’ 모티프(클리크, 사이클 등)를 가정함으로써 중심극한정리를 적용한다. 결과적으로 엣지 확률 p에 대한 적합도 검정과 두 표본 검정이 제공된다. 네 번째는 두 표본 검정 전반이다. 각각의 표본에 대해 λ̂ₙ을 독립적으로 계산하고, 차이의 표준화된 형태를 검정통계량으로 사용한다. 이는 기존의 그래프 커널, 스펙트럴, 프레셰-스틸 검정과 달리 제약조건을 명시적으로 반영한다는 장점이 있다. 기술적 기여로는 (1) 라그랑주 승수를 최적화 문제의 해로서 해석하고, (2) 비선형 대편차 이론을 네트워크 검정에 적용한 점, (3) 라그랑주 승수와 전통적인 스코어 검정 사이의 수학적 동등성을 증명한 점을 들 수 있다. 또한, 제안된 프레임워크는 ERGM, 조밀·희소 에르되시–레니 그래프 등 다양한 모델에 적용 가능하며, 모티프 선택만 바꾸면 다른 구조적 제약에도 확장될 수 있다. 결론적으로, 최대 엔트로피 기반 라그랑주 승수 검정은 네트워크 모델의 적합도와 두 표본 차이를 평가하는 강력하고 일관된 방법을 제공한다. 이론적 정밀도와 실용적 적용 가능성을 모두 갖추었으며, 향후 복합 네트워크(다중 레이어, 동적 그래프)에도 확장될 여지가 있다.