동적 무한 혼합 멤버십 블록모델

본 논문은 소셜 네트워크와 같은 복합 관계 데이터를 모델링하기 위해, 무한 개수의 커뮤니티와 노드별 혼합 멤버십을 동시에 지원하는 동적 확률 그래프 모델 DIM3(Dynamic Infinite Mixed‑Membership Stochastic Blockmodel)를 제안한다. 기존 연구는 MMSB가 혼합 멤버십을 도입했지만 커뮤니티 수를 고정했으며, 무한 관계 모델(IRMs)은 커뮤니티 수를 데이터에 맞게 추정하지만 각 노드가 단일 커뮤니티에만 속한다는 제한이 있었다. 또한, 동적 모델들은 보통 고정된 K를 전제로 하거나, 시간에 따라 변하는 멤버십을 단순히 마코프 전이로만 다루었다. 이러한 한계를 극복하기 위해 저자들은 세 가지 핵심 목표를 설정하였다. 첫째, 베이즈 비모수 방법인 히어라키컬 디리클레 프로세스(HDP)를 이용해 전역 베타 변수 β(γ) 로 무한 커뮤니티를 정의한다. β는 모든 시간과 모든 노드에 공유되는 ‘커뮤니티 중요도’이며, 베타‑베르누이 결합을 통해 관측된 이진 관계 e_{tij} 를 생성한다. 둘째, 각 노드 i는 시간 t마다 혼합 멤버십 분포 π_{ti} 를 갖는다. π_{ti}는 무한 차원의 디리클레 프로세스로, 각 커뮤니티 k에 대한 가중치 π_{tik} 가 존재한다. 이 분포에서 송신자와 수신자 각각에 대해 멤버십 지표 s_{tij}, r_{tij} 를 다항형으로 샘플링하고, 이후 W_{kl} (베타 사전) 로부터 Bernoulli 파라미터를 끌어와 실제 관계 e_{tij} 를 생성한다. 셋째, 시간적 지속성을 반영하기 위해 ‘스티키 파라미터’ κ를 도입한다. κ는 이전 시점의 멤버십 카운트 N_{t‑1}^{ik} 와 결합되어, 이전에 많이 사용된 커뮤니티가 현재 π_{ti} 에서 높은 가중치를 차지하도록 만든다. 이를 통해 사람의 의견이나 행동이 연속된 시점에 비슷한 패턴을 보이는 현상을 모델링한다. 시간적 지속성을 구현하는 두 가지 변형이 제시된다. 1) MTV (Mixture Time Variant)에서는 매 시점마다 새로운 π_{ti} 가 생성되지만, 베타 베이스에 κN_{t‑1}^{ik} 를 더해 ‘스티키’ 효과를 부여한다. 즉, 현재 분포는 전역 β와 이전 활동량의 가중합으로 구성된다. 2) MTI (Mixture Time Invariant)에서는 노드마다 무한 개수의 고정된 π(k)_i 를 정의하고, 시간 t의 멤버십 지표는 이전 시점에 사용된 π(k)_i 로부터 선택된다. 여기서도 κ가 β의 k번째 성분에 더해져, 이전에 선택된 커뮤니티가 재선택될 확률을 높인다. 추론을 위해 두 가지 샘플링 알고리즘을 설계하였다. - Gibbs 샘플링: CRF(Chinese Restaurant Franchise) 비유를 활용해 테이블 수 m_{tik} 와 스티키 테이블 수 κN_{t‑1}^{ik} 를 구분한다. 베타 변수 β는 디리클레 후방분포로 업데이트되며, 멤버십 지표 (s_{tij}, r_{tij})는 베르누이‑베타 결합을 이용해 조건부 확률을 계산한다. - Slice‑Efficient 샘플링: 무한 차원의 π_{ti} 를 제한된 활성 컴포넌트만 고려하도록 보조 변수 u_{tij,s}, u_{tij,r} 를 도입한다. 스티키‑브레이킹 프로세스로 π'_{tik} 를 샘플링하고, 베타‑베르누이 적분을 통해 W 를 명시적으로 샘플링하지 않는다. 이 방법은 특히 대규모 네트워크에서 효율성을 크게 향상시킨다. 실험은 두 부분으로 나뉜다. 합성 데이터에서는 사전에 정의된 커뮤니티 수와 κ 값을 정확히 복원함을 확인했으며, 모델이 과도한 파라미터 추정 없이도 안정적인 수렴을 보였다. 실제 데이터에서는 이메일 교류 네트워크와 온라인 포럼 데이터를 사용해 기존 MMSB, 동적 MMSB, 무한 관계 모델과 비교하였다. 평가 지표는 로그우도, 예측 정확도, 그리고 커뮤니티 해석 가능성이다. 결과는 DIM3가 특히 MTI 변형에서 장기적인 멤버십 유지가 뚜렷한 데이터에, MTV 변형에서 급격한 커뮤니티 전이가 있는 데이터에 각각 우수한 성능을 보였으며, 전체적으로 모든 기준에서 기존 방법들을 능가하였다. 결론적으로, DIM3는 무한 커뮤니티, 혼합 멤버십, 시간적 지속성이라는 세 축을 동시에 만족시키는 최초의 통합 모델이며, 베이즈 비모수 프레임워크와 효율적인 샘플링 기법을 결합해 실제 소셜 네트워크 분석에 적용 가능한 실용성을 제공한다. 향후 연구에서는 연속형 관계, 노드 메타데이터 통합, 그리고 변분 추론을 통한 확장 가능성을 제시한다.