대부분의 사람들이 사람들을 보고 그들이 커뮤니티를 인식하는 데는 문제가 없지만, 이러한 커뮤니티에 대한 공식적인 수학적 정의를 만들기는 어렵다. 이로 인해 다양한 기술적 정의가 생겨났으며, 각각이 인간의 직관적인 이해를 다른 정도로 정확하게 포착한다. 따라서 커뮤니티의 서로 다른 정의는 서로 다른 목적 함수(예: 모듈성, 중요도, 지속 가능성 등)를 사용하며, 이러한 목적 함수의 최적화가 기본 커뮤니티 구조의 탐지에 이르게 한다.

우리는 다음과 같은 질문을 스스로에게 던졌다: 주어진 네트워크에서 알려진 커뮤니티 모델을 활용하여 실제 세계의 커뮤니티를 정확하게 근사하는 계산적 모델을 만들 수 있는가? 이 문제는 우리만이 처음으로 다룬 것이 아니다. 네트워크 커뮤니티 탐지에서 앙상블 방법은 과거 데이터 마이닝의 클러스터링 작업에 기반하여 이미 선구적인 연구가 이루어졌다.

앙상블 접근법이 크게 개선된 정확성을 제공할 수 있는 여러 요인들이 있다:

• 정점 순서 의존성: 현재 존재하는 커뮤니티 탐지 알고리즘은 정점 순서에 매우 의존적이다. 특정 네트워크에서 다른 씨드 정점을 사용하여 반복적으로 실행하면 완전히 다른 커뮤니티 구조를 생성할 수 있다. 이러한 각 구조는 존재 가능한 커뮤니티의 다양한 관점을 제공한다.

• 해결책의 다양성: 기존의 커뮤니티 탐지 알고리즘은 “해결책의 다양성” 문제로 인해 여러 개의 다른 높은 점수를 가진 해결책을 갖는다. 이 각각의 해결책은 기본 커뮤니티 구조의 가능한 관점을 나타내며, 어느 것을 선호해야 하는지 명확한 이유가 없다.

• 실제 커뮤니티 구조의 부재: 대부분의 실제 세계 네트워크에는 검증을 위한 부분적인 기준 커뮤니티 구조가 없기 때문에 알고리즘의 입력 매개변수를 조정하는 데 필요한 교차 검증이 어렵다.

본 논문에서, 우리는 이전 연구를 확장하여 여러 해결책을 결합하여 앙상블 커뮤니티 탐지 알고리즘을 생성할 수 있는 방법을 제안한다. 그러나 기반 솔루션을 선택하는 방법은 명확하지 않았으며, 한 가지 알고리즘이 분리된, 겹치는 및 퍼지 커뮤니티를 모두 탐지할 수 없었다. 본 논문에서는 우리 제안 알고리즘인 ENDISCO와 MEDOC의 우수성을 보여주는 포괄적인 실험을 제공한다.

1. 우리는 분리된 커뮤니티를 식별하기 위한 앙상블 기반 알고리즘인 ENDISCO를 제안한다. 이 알고리는 두 정점을 같은 커뮤니티에 배치하는 알고리즘이 많을수록 실제로 그들이 동일한 커뮤니티에 속할 가능성이 높다는 아이디어를 기반으로 한다. 각 정점을 특징 공간에 표현하고 정점 간의 쌍별 거리를 포착한다. 이를 통해 숨겨진 유사성을 포착하는 잠재 네트워크가 생성되며, 재클러스터링 알고리즘이 이 잠재 네트워크에서 정점을 클러스터링하여 최종 커뮤니티 구조를 생성한다.

2. 우리는 MEDOC라는 메타-클러스터링 기반 알고리즘을 제안하며, 이는 첫 번째로 겹치고 퍼지 커뮤니티를 탐지할 수 있는 앙상블 방법을 제공한다. 이 알고리즘은 여러 정점 순서에서 다양한 기존의 커뮤니티 탐지 알고리즘을 실행하고, 이를 바탕으로 멀티파트라임 네트워크를 생성한 후 재클러스터링 단계를 거쳐 최종 결과를 얻는다.

3. 실험에서는 ENDISCO와 MEDOC가 다양한 정확성 측정과 실행 시간에서 기존 알고리즘보다 우수한 성능을 보여주었다. 특히, 분리된 커뮤니티 탐지에서는 다른 앙상블 알고리즘들보다 뛰어난 결과를 얻었다.

4. 이 연구는 네트워크 내의 다양한 형태의 커뮤니티 구조를 더 정밀하게 탐지할 수 있는 방법론을 제공함으로써, 사회적 네트워크 분석, 생물학적 네트워크 연구 등 다양한 분야에서 보다 효과적인 데이터 분석이 가능해진다는 점에서 중요하다.

방법론

ENDISCO 알고리즘

ENDISCO는 앙상블 기반의 분리된 커뮤니티 탐지 알고리즘이다. 이 알고리즘은 여러 기존의 커뮤니티 탐지 알고리즘을 결합하여 더 정확한 결과를 얻는다. ENDISCO는 다음과 같은 단계로 구성된다:

1. 기반 알고리즘 실행: 다양한 정점 순서에서 여러 개의 기존 커뮤니티 탐지 알고리즘을 실행한다.
2. 결과 결합: 각 알고리즘이 생성한 결과를 결합하여 하나의 네트워크 표현을 만든다.
3. 재클러스터링 단계: 재클러스터링 알고리즘을 사용하여 최종 커뮤니티 구조를 얻는다.

MEDOC 알고리즘

MEDOC는 메타-클러스터링 기반의 분리된, 겹치는 및 퍼지 커뮤니티 탐지 알고리즘이다. 이 알고리즘은 다음과 같은 단계로 구성된다:

1. 기반 알고리즘 실행: 다양한 정점 순서에서 여러 개의 기존 커뮤니티 탐지 알고리즘을 실행한다.
2. 멀티파트라임 네트워크 생성: 각 알고리즘이 생성한 결과를 바탕으로 멀티파트라임 네트워크를 만든다.
3. 재클러스터링 단계: 재클러스터링 알고리즘을 사용하여 최종 커뮤니티 구조를 얻는다.

실험

본 논문에서 제시된 두 가지 알고리즘인 ENDISCO와 MEDOC의 성능을 평가하기 위해 다양한 실험을 수행하였다. 실험에서는 인공적이고 실제 데이터셋(커뮤니티 구조가 알려져 있는)을 사용하여 알고리즘의 정확성과 실행 시간을 측정하였다.

[[IMG_PROTECT_1]]

위 그림은 ENDISCO와 MEDOC의 성능을 보여주는 예시 결과를 나타낸다. 각 알고리즘이 다양한 데이터셋에서 다른 성능을 보이는 것을 확인할 수 있다. 특히, 분리된 커뮤니티 탐지에서는 ENDISCO가 기존 앙상블 알고리즘보다 뛰어난 정확성과 실행 시간을 가진 것으로 나타났다.

[[IMG_PROTECT_2]]

이 그림은 다양한 데이터셋에서 각 알고리즘이 제공하는 결과를 비교한다. 실험 결과는 ENDISCO와 MEDOC가 여러 측면에서 기존 알고리즘보다 우수한 성능을 보여주었다는 것을 증명한다.