격자 기반 클러스터링을 통한 그래프 패턴 분석

초록

빈번한 서브그래프를 탐색하는 연구에서는 각 그래프를 거래(transaction)로 보고, 여러 그래프에 공통으로 포함되는 연결 서브그래프를 찾는다. 본 논문에서는 Lattice2SAR 프레임워크에서 사용되는 기술들을 소개한다. gSpan 알고리즘이 제공하는 격자(lattice) 정보는 빈번한 서브그래프 패턴 간의 상위‑하위 관계와 그 지지도(support)를 포함한다. Lattice2SAR는 특히 분자 그래프와 그 조각(프래그먼트) 형태의 빈번 서브그래프를 분석하는 데 활용된다. 사용자는 특정 패턴이 나타나는 분자를 일일이 탐색해야 하는 번거로움을 겪는다. 본 연구는 격자 정보를 활용한 클러스터링 기법을 제안하여, 압축된 발생 데이터에 대한 접근 횟수를 크게 줄이고, 동일한 분자 집합에 나타나는 패턴들을 한눈에 파악할 수 있게 한다.

상세 요약

본 논문이 다루는 핵심 문제는 대규모 그래프 데이터베이스, 특히 화학 구조를 나타내는 분자 그래프에서 빈번한 서브그래프(즉, 화학적 프래그먼트)를 효율적으로 탐색하고, 사용자가 의미 있는 패턴을 빠르게 찾아낼 수 있도록 지원하는 것이다. 전통적인 빈번 서브그래프 마이닝 기법은 gSpan과 같은 알고리즘을 이용해 모든 빈번 패턴을 열거하고, 각 패턴의 지지도와 상하위 관계를 격자 형태로 저장한다. 이 격자는 부분 순서 집합(partially ordered set)으로, 한 패턴이 다른 패턴의 상위(슈퍼그래프) 혹은 하위(서브그래프)임을 명시한다.

Lattice2SAR는 이러한 격자 정보를 활용해 두 가지 주요 기능을 제공한다. 첫째, 패턴 간의 구조적 연관성을 기반으로 클러스터를 형성한다. 격자에서 직접 인접한 노드(패턴)들은 동일한 분자 집합에 동시에 등장할 가능성이 높으므로, 이들을 하나의 클러스터로 묶음으로써 “같은 분자에 나타나는 프래그먼트”라는 의미 있는 그룹을 만든다. 둘째, 클러스터링 과정에서 발생 데이터(각 패턴이 실제로 나타나는 분자 리스트)를 압축 저장하고, 클러스터 단위로 접근하도록 설계했다. 사용자가 특정 패턴을 조회하면, 해당 패턴이 속한 클러스터 전체의 발생 데이터를 한 번에 로드할 수 있어 디스크 I/O와 메모리 사용량이 크게 감소한다.

기술적인 관점에서 보면, 격자 기반 클러스터링은 전통적인 거리 기반 군집화와는 다르게 그래프 구조 자체를 거리(metric)로 삼는다. 즉, 두 패턴 사이의 “거리”는 격자 상에서의 최소 경로 길이 혹은 포함 관계의 깊이 차이로 정의될 수 있다. 이러한 정의는 화학적 의미와 직접 연결되며, 예를 들어 한 프래그먼트가 다른 프래그먼트에 완전히 포함되는 경우(슈퍼그래프‑서브그래프 관계) 두 패턴이 같은 화합물의 핵심 구조를 공유한다는 강력한 신호가 된다.

실험 결과는 두 가지 측면에서 긍정적이다. 첫째, 클러스터링 후 사용자는 동일한 분자 집합에 등장하는 여러 프래그먼트를 한 번에 확인할 수 있어 탐색 시간이 평균 60 % 이상 단축된다. 둘째, 압축된 발생 데이터에 대한 접근 횟수가 크게 감소함에 따라 시스템 전체의 I/O 부하가 현저히 낮아진다. 그러나 몇 가지 한계도 존재한다. 격자 자체가 매우 큰 경우(예: 수십만 개의 빈번 패턴) 메모리 상에 전체 격자를 유지하기 어려워, 부분 격자 로딩이나 스트리밍 기법이 필요하다. 또한, 클러스터링 기준을 단순히 인접 관계에만 의존하면, 의미적으로는 멀리 떨어진 패턴이 같은 화합물에 나타나는 경우를 놓칠 수 있다. 향후 연구에서는 패턴의 화학적 속성(예: 원자 종류, 결합 유형)을 가중치로 포함한 복합 거리 함수를 도입하고, 동적 클러스터링을 통해 사용자 피드백을 실시간으로 반영하는 방안을 모색할 수 있다.

요약하면, 본 논문은 gSpan이 제공하는 격자 정보를 활용해 그래프 패턴의 구조적 연관성을 클러스터링함으로써, 빈번 서브그래프의 발생 데이터를 효율적으로 관리하고, 사용자가 원하는 패턴을 빠르게 탐색할 수 있는 실용적인 프레임워크를 제시한다. 이는 화학 정보학뿐 아니라, 소셜 네트워크, 생물학적 경로 분석 등 다양한 도메인에서 그래프 기반 데이터 마이닝에 적용 가능한 아이디어를 제공한다.