동적 네트워크에서 추가·삭제된 엣지를 고려한 링크 예측 정확도 평가

본 연구는 소셜 네트워크와 같은 동적 그래프에서 시간에 따라 엣지가 추가되고 제거되는 복합적인 현상을 다루는 “동적 링크 예측” 문제에 초점을 맞춘다. 기존 연구들은 주로 정적 링크 예측에 집중했으며, 이때는 미래에 새롭게 형성될 엣지만을 예측하면 된다. 그러나 실제 사회적 상호작용, 협업 관계, 온라인 커뮤니케이션 등에서는 기존 관계가 사라지는 경우도 빈번히 발생한다. 이러한 특성을 무시하고 기존의 평가 지표를 그대로 적용하면, 알고리즘의 실제 성능을 왜곡하게 된다. ### 1. 문제 정의 및 데이터셋 동적 링크 예측은 시점 t까지 관측된 네트워크 G₁,…,Gₜ를 이용해 시점 t+1에 존재할 엣지를 예측하는 작업이다. 여기서는 두 종류의 예측을 동시에 수행한다. (i) **신규 엣지 생성**: 이전에 전혀 존재하지 않았던 노드 쌍이 t+1에 처음 나타나는 경우. (ii) **기존 엣지 소멸**: t까지 존재했지만 t+1에 사라지는 경우. 논문은 두 데이터셋을 실험에 사용한다. 첫 번째는 17년간 NIPS 논문 공동저자 네트워크(연도별 스냅샷)이며, 두 번째는 2006‑2008년 사이 90일 간격으로 수집된 Facebook 포스트 인터랙션 네트워크이다. 두 데이터셋 모두 신규 엣지 발생 확률이 기존 엣지 유지 확률에 비해 현저히 낮으며, 이는 평가 시 클래스 불균형 문제를 심화시킨다. ### 2. 기존 평가 지표의 한계 전통적인 정적 링크 예측에서는 AU‑ROC와 AU‑PR, 그리고 고정 임계값 기반 F1‑score가 널리 사용된다. Yang et al.은 정적 상황에서 PR 기반 지표가 클래스 불균형에 더 강건하다고 주장했지만, 동적 상황에서는 두 지표가 서로 상충한다. 논문은 표 I을 통해 네 가지 최신 동적 예측 방법(TS‑Adj, TS‑AA, TS‑Katz, SBTM)의 성능을 AU‑ROC, PRAUC, Max‑F1으로 비교한다. 결과는 다음과 같다. - **TS‑Katz**: AU‑ROC 최고(0.87)지만 PRAUC(0.077)과 Max‑F1(0.149)에서는 최하위. - **TS‑Adj**: PRAUC(0.239)와 Max‑F1(0.371) 최고, AU‑ROC(0.78)에서는 중간. - **SBTM**: 세 지표 모두 중간 수준. 이러한 불일치는 각 지표가 강조하는 평가 관점(전체 순위 vs. 정밀도·재현율) 차이에서 비롯된다. 특히, 동적 네트워크에서는 “신규 엣지”와 “제거 엣지”가 서로 다른 확률 분포를 갖기 때문에, 하나의 지표로 두 현상을 동시에 평가하면 어느 한쪽이 과대·과소 평가될 위험이 크다. ### 3. 거리 기반 분석 및 새로운 평가 프레임워크 논문은 **지오데식 거리(geodesic distance)** 를 활용해 엣지 예측을 두 단계로 구분한다. 1. **거리 1 (직접 인접)**: 기존에 연결된 노드 쌍 사이에서 새로운 연결이 형성될 확률이 가장 높으며, 대부분의 신규 엣지는 거리 1에서 발생한다. 여기서는 정밀도와 재현율을 동시에 고려하는 PR‑AUC와 F1‑score가 적합하다. 2. **거리 >1 (간접 인접)**: 장거리 노드 쌍에서의 신규 연결은 매우 희박하지만, 기존 연결의 유지·소멸을 예측할 때는 ROC‑AUC가 더 의미 있다. 이러한 구분을 통해 각 서브태스크에 맞는 지표를 선택하고, 전체 성능을 종합적으로 평가할 수 있다. ### 4. 제안된 통합 메트릭 (Unified Metric) 두 서브태스크의 성능을 하나의 숫자로 요약하기 위해, 저자는 다음과 같은 통합 메트릭을 정의한다. - **정규화된 PR‑AUC₁**: 거리 1 신규 엣지 예측에 대한 PR‑AUC를 0‑1 범위로 정규화. - **정규화된 ROC‑AUC₂**: 거리 >1 기존 엣지 유지·소멸 예측에 대한 ROC‑AUC를 정규화. 통합 메트릭 **U**는 가중 평균으로 계산한다. \