다단계 탐욕 알고리즘을 이용한 실세계 및 인공 네트워크의 커뮤니티 구조 탐지

초록

본 논문은 기존 탐욕적 모듈러리티 최적화 알고리즘에 다단계 병합을 도입한 다단계 탐욕 알고리즘(MSGA)을 제안한다. 한 번에 l>1개의 커뮤니티 쌍을 병합함으로써 조기 수축을 방지하고, 실세계 17개와 인공 1100개 네트워크에 대한 실험을 통해 단계 폭 l에 대한 경험적 공식(l≈0.25√m, m은 간선 수)을 제시한다. E. coli 대사망과 Karplus 논문 제목 단어망을 대상으로 한 정성·정량 분석 결과, MSGA가 원래 탐욕 알고리즘보다 높은 모듈러티와 더 의미 있는 커뮤니티 구성을 제공한다는 것을 확인하였다.

상세 분석

다단계 탐욕 알고리즘(Multistep Greedy Algorithm, MSGA)은 전통적인 탐욕적 모듈러리티 최적화 과정에서 발생하는 “조기 응축” 현상을 해결하기 위해 고안되었다. 기존 알고리즘은 매 반복마다 모듈러티 증가가 가장 큰 두 커뮤니티를 하나로 합치는 단일 병합 방식을 사용한다. 이 방식은 초기 단계에서 큰 커뮤니티가 과도하게 성장하여 전체 네트워크를 소수의 거대 군집으로 압축시키는 위험이 있다. MSGA는 한 번에 l개의 커뮤니티 쌍을 동시에 병합함으로써 이러한 편향을 완화한다. 여기서 l은 “step width”라 불리며, 실험을 통해 l≈0.25√m( m은 네트워크의 총 간선 수)이라는 경험적 공식이 도출되었다. 이 공식은 네트워크 규모에 따라 적절한 병합 폭을 자동으로 조정해 주어, 작은 네트워크에서는 세밀한 병합을, 큰 네트워크에서는 보다 공격적인 병합을 가능하게 한다.

알고리즘 구현은 우선 모든 가능한 커뮤니티 쌍에 대해 모듈러티 증가량 ΔQ를 계산하고, 이를 내림차순으로 정렬한다. 그 후 상위 l개의 쌍을 선택해 동시에 병합한다. 병합 후에는 영향을 받은 커뮤니티 주변의 ΔQ 값을 재계산하고, 새로운 ΔQ 리스트를 다시 정렬한다. 이 과정을 더 이상 병합이 불가능하거나 ΔQ가 음수가 될 때까지 반복한다. 중요한 점은 동시에 병합되는 l개의 쌍이 서로 겹치지 않도록 하는데, 이는 충돌 방지를 위해 간단한 그래프 매칭 기법을 활용한다.

실험에서는 17개의 실세계 네트워크(생물학적, 사회적, 기술적 분야)와 1100개의 인공 네트워크(랜덤, 계층적, 스케일프리 모델)를 대상으로 MSGA와 기존 Greedy 알고리즘을 비교하였다. 결과는 두 가지 측면에서 우수성을 보였다. 첫째, 모듈러티 값이 평균 2~5% 상승했으며, 특히 복잡한 계층 구조를 가진 네트워크에서 차이가 크게 나타났다. 둘째, 커뮤니티의 의미적 타당성을 평가하기 위해 외부 메타데이터(예: 대사망의 효소 기능, 논문 키워드)와의 일치도를 측정했을 때, MSGA가 더 높은 정밀도와 재현율을 기록했다.

특히 E. coli 대사망 분석에서는 MSGA가 대사 경로별로 명확히 구분되는 12개의 커뮤니티를 도출했으며, 이는 기존 알고리즘이 만든 8개의 거대한 군집보다 생물학적 해석에 훨씬 유리했다. Karplus 논문 제목 단어망에서는 MSGA가 연구 주제별(양자화학, 분자역학, 생물물리학)로 구분된 7개의 군집을 형성했고, 각 군집 내부의 단어 빈도와 의미가 높은 일관성을 보였다. 이러한 정성적 결과는 MSGA가 단순히 모듈러티를 최적화하는 것을 넘어, 실제 네트워크의 구조적·기능적 특성을 더 잘 포착한다는 증거가 된다.

마지막으로 알고리즘 복잡도 측면에서 MSGA는 기본 Greedy와 동일한 O(m log n) 수준을 유지한다. 단계 폭 l을 고정하거나 경험적 공식에 따라 동적으로 조정하더라도, 병합 후보 선택과 재정렬 과정이 병목이 되지 않도록 설계되었다. 따라서 대규모 네트워크에서도 실시간 혹은 근실시간 분석이 가능하다.

요약하면, MSGA는 단계적 병합 폭을 도입함으로써 지역 최적해에 빠지는 위험을 감소시키고, 모듈러티와 커뮤니티 의미 모두에서 기존 탐욕 알고리즘을 능가한다. 경험적 공식 l≈0.25√m은 다양한 네트워크에 보편적으로 적용 가능하며, 실험 결과는 이 공식이 실제 최적의 step width를 근사함을 강력히 뒷받침한다.