실제 네트워크 특성을 반영한 커뮤니티 탐지 벤치마크 그래프

초록

본 논문은 노드 차수와 커뮤니티 크기의 이질성을 고려한 새로운 벤치마크 그래프를 제안하고, 이를 이용해 모듈러리티 최적화와 Potts 모델 기반 클러스터링 알고리즘의 성능을 평가한다. 기존 GN 벤치마크가 갖는 균일 차수·동일 크기 커뮤니티 한계를 극복함으로써 실제 네트워크와 유사한 테스트 환경을 제공한다. 실험 결과, 새로운 벤치마크는 알고리즘의 해상도 한계와 규모·밀도 의존성을 보다 명확히 드러낸다.

상세 분석

이 논문은 복잡계 네트워크에서 흔히 관찰되는 두 가지 핵심 이질성, 즉 노드 차수 분포의 파워‑law 형태와 커뮤니티 크기 분포의 광범위한 변동성을 동시에 반영한 벤치마크 모델을 설계하였다. 기존의 Girvan–Newman (GN) 벤치마크는 128개의 노드와 4개의 동일 크기 커뮤니티, 그리고 거의 균일한 차수를 가정함으로써 실제 소셜, 생물학, 웹 네트워크가 보이는 스케일‑프리 특성을 전혀 재현하지 못한다. 저자들은 차수 분포 지수 γ와 커뮤니티 크기 지수 β를 입력 파라미터로 설정하고, 평균 차수 ⟨k⟩을 조절함으로써 N = 10⁵ ~ 10⁶ 규모의 그래프를 효율적으로 생성한다. 핵심 절차는 (1) 지정된 파워‑law에 따라 차수를 샘플링하고, 구성 모델을 이용해 정확한 차수 시퀀스를 보존하는 네트워크를 만든 뒤, (2) 각 노드가 내부 링크와 외부 링크를 각각 (1‑µ)·k와 µ·k 비율로 갖도록 재배선한다. 여기서 µ는 “mixing parameter”로, 커뮤니티 경계의 흐릿함을 조절한다. (3) 커뮤니티 크기도 파워‑law(β)로 샘플링하고, 최소·최대 크기 제한(s_min > k_min, s_max > k_max)을 두어 모든 노드가 최소 하나의 커뮤니티에 포함될 수 있게 한다. (4) “homeless” 노드와 “full” 커뮤니티 간의 교환 과정을 반복해 모든 노드가 적절히 배치될 때까지 진행한다. (5) 최종적으로 내부·외부 차수 비율이 목표 µ에 가깝도록 추가적인 재배선을 수행한다.

알고리즘의 시간 복잡도는 평균 차수와 링크 수에 선형적으로 스케일링됨을 실험적으로 확인했으며, γ ∈