희소 네트워크 클러스터링을 위한 비역방향 스펙트럼 기법

논문은 먼저 희소 네트워크에서 기존 스펙트럼 클러스터링이 왜 실패하는지를 설명한다. 평균 차수가 상수인 경우, 인접행렬 A의 가장 큰 고유값은 고차원 정점(높은 차수)을 따라 급격히 증가하고, 이 고유값에 대응하는 고유벡터는 해당 정점에 국한된다. 따라서 커뮤니티 정보를 담고 있는 두 번째 고유값 λ_c = (c_in−c_out)/2 + (c_in+c_out)/(c_in−c_out) 가 연속적인 bulk(반원형 분포) 안에 묻혀버려, 고유벡터가 실제 커뮤니티와 상관관계를 잃게 된다. 이는 기존 방법이 탐지 한계( c_in−c_out > 2√c )보다 훨씬 높은 차수에서만 성공한다는 것을 의미한다. 이를 극복하기 위해 저자들은 그래프의 방향성 있는 간선 집합을 기반으로 비역방향 행렬 B를 정의한다. B_{u→v, w→x}=1 iff v=w and u≠x, 그렇지 않으면 0이다. B는 2m×2m 크기이며, 백트래킹을 금지함으로써 고차원 정점의 영향을 억제한다. B의 스펙트럼 분석 결과는 다음과 같다. (1) 가장 큰 고유값은 평균 차수 c = (c_in + c_out)/2 로, 전체 그래프의 규모를 반영한다. (2) 커뮤니티 구조와 연관된 두 번째 고유값은 µ_c = (c_in−c_out)/2 로, 탐지 한계와 정확히 일치한다. (3) 나머지 bulk 고유값은 복소평면에서 반지름 √c 의 원판 안에 거의 모두 포함된다. 따라서 µ_c 가 bulk 밖에 있으면, 해당 고유벡터를 이용해 정점마다 들어오는 간선에 대한 값을 합산하고 그 부호로 라벨링하면, 거의 모든 정점을 정확히 복원할 수 있다. 수학적 근거는 재구성 문제와 zeta 함수 이론을 활용한다. 트리 구조가 지배적인 희소 그래프에서, 거리 r 의 이웃을 고려한 벡터 f^{(r)}_v = µ^{-r} Σ_{u: d(u,v)=r} σ_u (σ_u는 실제 커뮤니티 라벨) 가 B의 고유벡터와 점차 일치한다는 것을 보인다. 또한 B와 A 사이의 2차 방정식 det(µ²I−µA+(D−1)I)=0 를 통해 B의 고유값을 2n×2n 행렬 B₀ =