코어 분해 기반 무작위 그래프 모델링

이 논문은 그래프 이론과 통계학을 연결하여 k‑코어 분해를 이용한 새로운 확률 그래프 모델을 제안한다. 서론에서는 차수 기반 모델이 노드 간의 연결 구조를 충분히 설명하지 못한다는 한계를 제시하고, k‑코어가 노드의 전역적 중요성을 포착하는 데 유리함을 강조한다. 핵심 개념으로는 Seidman이 정의한 k‑코어와 쉘 인덱스가 있다. 각 정점 v는 가장 높은 코어 H_i에 속하면서 H_{i+1}에는 속하지 않을 때 쉘 인덱스 i를 갖는다. 전체 그래프는 쉘 인덱스에 따라 파티션되며, 이를 히스토그램 형태인 쉘 분포 n_S(g)로 요약한다. 쉘 분포는 정점 수 n_j(g) (j‑쉘에 속한 정점 수)로 구성된 길이 n의 벡터이며, 그래프의 퇴화도 dgen(g)=max{j : n_j(g)>0}는 가장 높은 비어 있지 않은 코어를 의미한다. 모델 정의에서는 쉘 분포를 충분통계량으로 하는 지수 랜덤 그래프 모델(ERGM)을 구축한다. 처음에는 전체 그래프 집합 G_n 위에서 파라미터 p_j∈(0,1) 로 정의된 식 (1)을 제시하지만, 이는 파라미터 차원이 n으로 과다하고, 퇴화도가 큰 그래프에 대해 비현실적인 확률을 부여한다는 문제를 가진다. 이를 해결하기 위해 퇴화도 m을 고정하고, 지원 집합을 G_{n,m} (퇴화도가 정확히 m인 그래프) 로 제한한다. 제한된 모델은 식 (2)‑(5) 로 표현되며, 파라미터 차원은 m+1으로 감소한다. 자연 파라미터 θ_i=log(p_i/p_m) (θ_m=0) 로 변환하면 전형적인 ERGM 형태가 되며, 쉘 분포의 앞 m개의 카운트가 최소 충분통계량이 된다. 파라미터 공간은 전부 실수 공간 R^m이며, 로그 파티션 함수 ψ(θ)는 일반적으로 계산이 불가능하므로 MCMC 기반 추정이 필요하다. 추정 및 샘플링 절차에서는 Metropolis–Hastings 알고리즘을 설계한다. 제안 단계에서 현재 그래프와 동일한 퇴화도를 유지하도록 정점 쌍을 선택하고, 에지를 추가·삭제한다. 제안 확률은 쉘 분포에 따라 가중치를 부여해, 높은 쉘에 속한 정점이 더 많이 연결되도록 한다. 수렴성을 확인하기 위해 Gelman‑Rubin 진단과 트레이스 플롯을 사용한다. 또한, 주어진 쉘 분포를 정확히 만족하는 그래프를 직접 생성하는 알고리즘을 제시한다. 이 알고리즘은 먼저 각 쉘에 필요한 정점 수를 할당하고, 가능한 에지 집합을 무작위로 선택해 단순 그래프를 만든다. 이 과정에서 자기루프와 다중 에지를 방지하기 위해 검증 절차를 포함한다. 실험에서는 두 가지 데이터셋을 사용한다. 첫 번째는 파라미터를 임의로 설정해 생성한 합성 그래프이며, 두 번째는 사회학적 연구에서 널리 사용되는 Sampson monks 네트워크이다. 각각에 대해 MCMC 샘플링과 직접 샘플링을 수행하고, 평균 클러스터링 계수, 평균 최단 경로 길이, 전역 효율성, 전이성(transitivity) 등 보조 통계량의 분포를 비교한다. 결과는 쉘 분포 기반 모델이 기존 차수 기반 ERGM이 재현하지 못하는 전역적 연결 패턴을 잘 포착함을 보여준다. 특히, 높은 쉘에 속한 정점들이 서로 밀집하게 연결되는 현상이 모델에 의해 자연스럽게 나타난다. 또한, 퇴화도 m을 관측 그래프와 동일하게 설정했을 때 파라미터 추정이 안정적이며, m을 다르게 설정하면 모델이 비현실적인 그래프를 생성하거나 파라미터가 발산하는 ‘bad behavior’가 발생한다는 점을 확인한다. 논문의 마지막 부분에서는 모델의 이론적 특성을 탐구한다. 쉘 분포가 고정된 경우 가능한 그래프 공간의 크기와, 해당 공간 위에서 정의된 마진 폴리토프(다항식 형태의 확률 분포)의 존재 조건을 분석한다. 또한, 최대우도 추정치가 존재하기 위한 충분조건과, 파라미터 공간이 전부 실수인 경우 로그 파티션 함수가 유한함을 보인다. 모델의 제한적 지원(set restriction)이 일반적인 ERGM에서 발생하는 모델 퇴화(model degeneracy) 문제를 완화시키는 역할을 함을 논의한다. 향후 연구 방향으로는 m을 추정 파라미터로 포함한 베이지안 확장, 다중 그래프 샘플링 시 퇴화도가 서로 다른 경우의 일반화, 그리고 다른 전역 통계량(예: 커뮤니티 구조)과의 결합 모델을 제시한다.