그라폰과 신경망 역연산자를 활용한 복잡계 네트워크 생성 모델
A Generative Model of Complex Networks Using Graphons and Neural Inverse Operators
생성 그래프 모델은 복잡계 네트워크를 이해하고 시뮬레이션하는 데 핵심적인 역할을 합니다. 그러나 기존 접근 방식들은 상호보완적인 장점과 한계를 지닙니다. 기전 모델(mechanistic model)은 해석 가능성을 제공하지만 인스턴스별 추정 방법에 의존합니다. 반면 심층 생성 모델은 분할 상환 추론(amortized inference)을 제공하지만 해석 가능성을 희생하며, 학습 중에 관측된 그래프 크기로 대체로 제한됩니다. 과학적 응용 분야에서는 두 패러다임의 장점을 모두 유지하는 프레임워크가 요구됩니다. 본 연구에서는 생성 모델과 매개변수 복원을 모두 함수 공간에서 정식화하여 이 두 접근법을 연결합니다. 다중프랙탈 스텝 그라폰(multifractal step graphon)은 복잡계 네트워크를 조밀하게 매개변수화하는 재귀적 구조를 통해 표준 스텝 그라폰을 확장합니다. 이러한 정식화는 매개변수를 복원하기 위한 신경망 역연산자(neural inverse operator)를 도입할 수 있게 하여, 학습 시 보지 못한 그래프 크기에 대해서도 추론을 가능하게 합니다. 본 연구에서는 합성 다중프랙탈 스텝 그라폰 실현치로만 학습된 제안 모델을 두 패러다임 모두와 비교 평가합니다. 실증 네트워크로 사전학습된 그래프 파운데이션 모델과 비교했을 때, 제안 방법은 제로샷(zero-shot) 그래프 생성 벤치마크의 4개 지표 중 3개에서 최고의 평균 성능을 달성하여 실제 그래프로도 전이됨을 보여줍니다. 또한 학습 말뭉치가 필요한 심층 모델이 접근하기 어려운 영역인 단일 관측 네트워크에도 제안 방법을 적용하였으며, 각 그래프마다 최적화를 수행하는 인스턴스별 방식과 비견할 만한 성능을 보였습니다. 다중 피험자 뇌파(EEG) 사례 연구에서는 추론된 매개변수가 기존의 네트워크 통계량보다 뇌 상태의 가역적 변화를 더 민감하게 추적함을 확인했습니다. 종합적으로 이러한 결과는 기전적 해석 가능성과 분할 상환 추론이 생성 그래프 모델 내에서 효과적으로 통합되어 복잡계 네트워크에 대한 이해를 향상시킬 수 있음을 나타냅니다.