그래프 블록 모델을 위한 지오데식 기반 스펙트럴 클러스터링 혁신

본 논문은 무라벨 그래프의 커뮤니티 탐지를 위한 스펙트럴 클러스터링 방법을 체계적으로 검토하고, 특히 희소 및 반희소 확률적 블록 모델(SBM)에서 강한 일관성을 보장하는 새로운 알고리즘을 제시한다. 서론에서는 스펙트럴 분석이 그래프 라플라시안(L, L_rw, L_sym)이나 인접 행렬 A의 고유구조를 이용해 정점을 K개의 군집으로 나누는 전통적 방법임을 소개한다. 이어서 SBM을 수학적으로 정의하고, 블록 간 연결 확률 행렬 P와 스케일링 파라미터 ρ_n을 도입해 네 가지 점근적 레짐(밀도, 반밀도, 반희소, 희소)을 구분한다. 기존 연구에서는 밀도 레짐에서 프로파일 우도법, 변분법, 반희소 레짐에서 스펙트럴 방법이 약한 일관성(weak consistency)을 보였지만, 희소 레짐에서는 거의 아무 방법도 무작위 추정보다 나은 성능을 내지 못한다는 위상 전이 현상이 보고되었다. 본 논문은 이러한 한계를 극복하기 위해 그래프의 모든 정점 쌍 사이 최단 경로 길이, 즉 지오데식 거리 d_g(i,j)를 원소로 하는 거리 행렬 D를 구성한다. 연결되지 않은 정점 쌍은 n+1(또는 충분히 큰 값)으로 대체한다. 이후 D를 중심화·정규화하는 과정을 거쳐 다차원 스케일링(MDS) 형태의 행렬 \bar D를 얻는다. \bar D에 대해 고유값 분해를 수행하고, 상위 K개의 고유벡터를 열로 하는 행렬 \tilde W를 만든 뒤, 각 정점에 대응하는 행을 K-평균 또는 Gaussian Mixture Model(GMM)로 군집화한다. 이때 K-평균은 블록 간 평균 차수가 동일할 때 적합하고, 차이가 클 경우 GMM이 더 안정적인 결과를 제공한다. 이 알고리즘의 핵심 이론적 결과는 다음과 같다. 동일한 블록 크기와 균등한 블록 비율(π_a=1/K)을 가정하고, 연결 확률을 p(동일 블록)와 q(다른 블록)로 단순화한 경우, (p−q)^2 > K(p+(K−1)q) 라는 위상 전이 조건을 만족하면 제안 알고리즘은 오류율 ½ 미만을 보장하고, (p−q)^2/(K(p+(K−1)q)) → ∞ 일 때 오류율이 0에 수렴한다. 이는 기존 스펙트럴 방법이 약한 일관성에 머물렀던 점을 넘어, 희소 레짐에서도 강한 일관성을 달성한다는 의미이다. 증명은 두 부분으로 구성된다. 첫째, 지오데식 거리 행렬 D̄가 K개의 블록마다 서로 다른 행벡터 집합으로 수렴한다는 점을 다중형 브랜칭 프로세스와 SBM의 연관성을 이용해 보인다. 둘째, 정규화된 거리 행렬의 스펙트럼이 블록 구조를 정확히 반영한다는 것을, 고유값 λ_1>λ_2=…=λ_K>0 및 평균 차수 α>1이라는 가정(A1–A3) 하에 증명한다. 실험에서는 ρ_n=1/n(희소)와 ρ_n=log n / n(반희소) 두 레짐에서 제안 알고리즘을 기존 라플라시안 기반 스펙트럴 클러스터링, 모듈러리 최적화, 프로파일 우도법 등과 비교하였다. 결과는 정확도와 실행 시간 모두에서 제안 방법이 우수함을 보여준다. 특히 블록 간 평균 차이가 크게 차이날 때 GMM 기반 클러스터링이 K-평균보다 더 일관된 라벨을 복원한다는 실용적 조언을 제공한다. 결론적으로, 이 논문은 스펙트럴 클러스터링이 기존에 갖던 점근적 한계를 지오데식 거리 행렬이라는 새로운 관점으로 극복하고, 희소 그래프에서도 강한 일관성을 보장하는 알고리즘을 제시함으로써 이론과 실무 모두에 중요한 기여를 한다.