MH-SAMC 알고리즘을 이용한 소셜네트워크 분석

Abstract

소셜네트워크 모형에 대한 통계적 추론에서 종종 베이지안 추론에 관심이 많다. 본 연구에서는 노드들 간의 규칙적인 관계 패턴을 파악하고 네트워크의 전체적인 구조를 이해하는 적절한 베이지안 소셜네트워크 모형을 고려한다. 소셜네트워크 분석에서 베이지안 추론을 위해 일반적으로 마코브체인 몬테카를로 알고리즘을 이용한다. 하지만 전통적인 마코브체인 몬테카를로 알고리즘인 메트로폴리스 헤스팅스나 깁스샘플링 방법은 관심 모수의 사후분포로부터 샘플을 추출할 때 비효율성 문제 때문에 최댓값(global maximum)을 얻지 못하는 문제점이 종종 발생한다. 이를 극복하기 위해 본 연구는 확률적 근사 몬테카를로(stochastic approximation Monte Carlo, SAMC; Liang et al., 2007) 알고리즘을 이용하여 모형 추론 개선 방법을 제안한다. SAMC 알고리즘은 샘플러의 자기조절능력을 가지고 있어 샘플을 추출할 때 국소트랩의 문제점을 본질적으로 해결하는 알고리즘으로 적응 마코브체인 몬테카를로(adaptive MCMC) 알고리즘이다. 모의실험과 실자료 분석으로부터 모수 추정에 있어 본 연구에서 제안한 알고리즘의 성능이 다른 알고리즘들보다 더 우수함을 알 수 있다.