동적 노드별 차수 우선순위로 스케일프리 네트워크 학습

본 논문은 스케일프리 네트워크 구조를 학습하기 위한 새로운 정규화 기법을 제안한다. 스케일프리 네트워크는 소수의 허브 노드가 다수의 연결을 갖는 파워‑law 차수 분포를 특징으로 하며, 기존의 l₁ 정규화는 모든 엣지에 동일한 패널티를 부여해 이러한 특성을 반영하지 못한다. 기존 연구들은 전체 차수 합의 로그를 최소화하거나, 차수 추정값에 비례하는 가중치를 l₁에 적용하는 방식으로 스케일프리 특성을 강제했지만, 비볼록성, 근사 정확도 부족, 혹은 전역적인 차수 분포만을 고려한다는 한계가 있었다. 논문은 이러한 문제점을 해결하기 위해 두 단계의 순위화 메커니즘을 도입한다. 첫 번째 단계는 각 노드 u에 대해 인접 엣지 (u,v)의 절대값 |X_{u,v}|를 내림차순으로 정렬하고, 그 순위에 따라 가중치 H_v를 부여한다. H는 비감소하는 양의 수열이며, 일반적으로 H_v = log(v+1)^α 형태로 설정한다. 이렇게 하면 강한 엣지일수록 작은 패널티가 적용되어 허브 노드 주변의 엣지가 더 쉽게 선택된다. 두 번째 단계는 전체 노드들을 예상 차수 τ_v(파워‑law 기반) 순으로 정렬한다. τ_v는 전체 엣지 수 a와 파워‑law 지수 γ에 따라 계산되며, 노드의 예상 차수가 클수록 전체 패널티가 감소한다. 이 두 순위를 결합한 정규화 항은 다음과 같이 정의된다. Ω(X) = Σ_{v=1}^p X