통계적 네트워크 모델 전반 고찰

1. 서론에서는 네트워크가 사회과학, 물리학, 생물학, 컴퓨터 과학 등 다양한 분야에서 핵심 연구 대상이 되었음을 강조하고, 1959년부터 시작된 확률 그래프 이론과 1960‑70년대 사회심리학·사회학 연구가 결합해 초기 네트워크 커뮤니티를 형성한 과정을 서술한다. 이후 1970‑80년대 통계학으로의 편입과 1990년대 이후 웹·소셜 미디어의 급성장으로 동적 네트워크 분석에 대한 수요가 폭증한 배경을 제시한다. 2. 동기와 데이터 예시 섹션에서는 Sampson의 수도원 연구, Enron 이메일 코퍼스, 효모 단백질 상호작용, Add Health 청소년 관계·HIV 전파, Framingham 비만 연구, NIPS 논문 공동저자 데이터 등 다양한 실제 네트워크 데이터를 소개한다. 각 데이터는 정적·동적 분석 가능성, 노드·엣지 특성, 도메인 별 연구 질문을 보여준다. 3. 정적 네트워크 모델 파트(3장)에서는 기본 표기법을 정리한 뒤, 다음 모델들을 순차적으로 설명한다. - Erdős‑Rényi‑Gilbert 무작위 그래프: 파라미터 λ=pN에 따른 위상 전이와 연결성 분석. - 교환가능 그래프 모델: 그래프 동형성을 이용한 교환가능성 가정. - p1 모델: 로짓 형태의 엣지 확률, 상호작용·반복성 파라미터 해석, 최대우도 추정. - p2 모델 및 베이지안 확장: 다중 관계와 블록구조를 포함한 일반화. - 지수 랜덤 그래프(ERGM): 통계량(에지, 삼각형, 동질성 등) 기반 파라미터화, MCMC‑MLE와 MPLE 추정법, 모델 적합 검정. - 고정 차수 분포 모델: 지정된 차수 시퀀스를 만족하는 그래프 생성 알고리즘. - 블록모델·확률적 블록모델(SBM): 커뮤니티 구조를 확률적으로 모델링, 변분 추정 및 EM 알고리즘. - 잠재공간 모델: 노드를 저차원 유클리드 공간에 임베딩하고 거리 기반 연결 확률을 정의, MCMC와 변분 베이지안 추정. 4. 동적 네트워크 모델 파트(4장)에서는 시간에 따라 변하는 네트워크 메커니즘을 다룬다. - 선호적 연결 모델: “부익부” 현상과 파워‑법칙 차수 분포 유도, 초기 조건과 성장 규칙에 따른 변형. - 작은 세계 모델: Watts‑Strogatz 재와이어링을 통한 평균 거리 감소와 클러스터링 유지, 동적 변형. - 복제‑첨부 모델: 기존 노드 복제와 새로운 엣지 추가를 통해 생물학적 네트워크 진화 모사. - 연속시간 마코프 체인 모델: 엣지 삽입·삭제를 연속시간 포아송 과정으로 기술, 균형분포와 전이율 추정. - 이산시간 마코프 모델: 시간 단계별 전이 행렬을 정의하고, 동적 ERGM, 동적 잠재공간 모델, 동적 컨텍스트 친화성 모델(DCFM) 등을 포함. 각 모델은 파라미터가 시간에 따라 어떻게 변하는지를 명시하고, 베이지안 필터링·시퀀스 Monte Carlo를 통한 추정 방법을 제시한다. 5. 모델링 이슈(5장)에서는 다음과 같은 핵심 과제를 논의한다. - 추정 복잡도: 대규모 네트워크에서 ERGM의 MCMC 수렴 문제, SBM·잠재공간 모델의 스케일링. - 모델 선택: AIC/BIC, 교차 검증, 베이즈 팩터 등 통계적 기준과 네트워크 특성(예: 클러스터링, 차수 분포) 기반의 도메인 지식 결합 필요성. - 데이터 편향·노이즈: 관측 오류, 샘플링 편향, 누락된 엣지·노드가 모델 파라미터에 미치는 영향. - 파워‑법칙 비판: Stouffer 등(2016)의 실증적 반증과 베이지안 모델 비교를 통한 대안 제시. - 미래 연구 방향: 혼합 멤버십 모델·그래프 신경망과의 통합, 온라인 학습·스트리밍 데이터에 대한 실시간 추정, 인과관계 추론을 위한 동적 네트워크 구조 학습 등. 6. 요약(6장)에서는 정적·동적 모델의 계통도와 상호 연관성을 도식화하고, 통계학과 머신러닝이 협력해 모델 적합, 검증, 확장성을 동시에 만족시키는 통합 프레임워크 구축의 필요성을 강조한다.