다중단계 탐욕 알고리즘과 정점 이동으로 모듈러리티 최적화

초록

**
본 논문은 기존 탐욕적 모듈러리티 최적화가 초기에 큰 커뮤니티로 과도하게 합쳐지는 문제를 해결하고자, 한 번의 반복에서 여러 커뮤니티 쌍을 동시에 병합하는 다중단계 탐욕 알고리즘(MSG)을 제안한다. MSG 수렴 후에는 정점 이동(VM) 절차를 적용해 각 정점을 인접 커뮤니티 중 모듈러리티 향상이 가장 큰 곳으로 재배치한다. 두 단계의 결합은 기존 방법보다 높은 모듈러리티 값을 얻으며, 시간 복잡도는 기존 탐욕 알고리즘과 동일한 O(D·M·log N) 을 유지한다.

**

상세 분석

**
이 논문은 네트워크 커뮤니티 탐지를 위한 모듈러리티 최적화 문제를 다루면서, 기존 단일 단계 탐욕 알고리즘이 초기에 몇 개의 거대한 커뮤니티로 급격히 수렴해 최적해에 도달하지 못하는 한계를 명확히 지적한다. 이를 극복하기 위해 저자들은 “다중단계 탐욕”(MSG)이라는 새로운 병합 전략을 고안한다. MSG는 매 반복마다 모듈러리티 증가량 ΔQ가 가장 큰 l개의 후보 쌍을 동시에 선택하고, “터치드 커뮤니티 배제 규칙”(TCER)을 적용해 이미 병합에 참여한 커뮤니티가 또 다른 병합에 중복 참여하지 않도록 한다. 이렇게 하면 여러 작은 커뮤니티가 동시에 성장하면서 과도한 응집을 방지하고, 최종 덴드로그램의 깊이 D는 크게 증가하지 않으면서도 보다 세밀한 구조를 유지한다.

알고리즘 구현에서는 ΔQ 행렬을 행별로 정렬된 집합(set) 형태로 저장하고, 후보 쌍을 관리하는 레벨 집합(level set)을 또 다른 정렬된 집합으로 유지한다. 병합 시에는 ΔQ 업데이트를 O((d_i+d_j)·log N) 시간에 수행하고, 전체 라운드의 복잡도는 O(M·log N)이다. 초기화 단계와 전체 반복 횟수를 포함한 전체 복잡도는 O(D·M·log N)으로, 기존 탐욕 알고리즘과 동일하게 가장 빠른 계열에 속한다.

MSG 이후에 적용되는 “정점 이동”(VM) 단계는 각 정점을 차수와 인덱스 순으로 스캔하면서, 현재 속한 커뮤니티를 떠나 인접 커뮤니티 중 ΔQ가 가장 크게 증가하는 곳으로 옮긴다. ΔQ 계산식은 정점‑커뮤니티 간 연결 가중치와 커뮤니티 전체 차수를 이용해 O(정점 차수) 시간에 수행된다. VM은 한 번의 전체 스캔에 O(L)≈O(∑d_i) 시간을 요구하며, 모듈러리티가 더 이상 향상되지 않을 때까지 반복한다. 이 과정은 각 이동이 즉시 모듈러리티를 증가시키므로, 전역 최적화 탐색을 위한 복잡한 재조합 과정을 생략할 수 있다.

실험 결과는 여러 실제 네트워크(사회, 생물, 기술 분야)에서 MSG‑VM 조합이 기존 단일 탐욕, 레벨‑기반 방법, 그리고 시뮬레이티드 어닐링 등에 비해 일관되게 높은 모듈러리티 값을 기록함을 보여준다. 특히, 단계 폭 파라미터 l을 적절히 조정하면 작은 커뮤니티가 조기에 사라지는 현상을 최소화하면서도 전체 실행 시간은 크게 늘어나지 않는다. 따라서 이 방법은 대규모 네트워크에서도 실용적인 정확도와 효율성을 동시에 제공한다.

**