중첩·계층적 커뮤니티 구조를 동시에 탐지하는 EAGLE 알고리즘

초록

본 논문은 네트워크에서 겹치고 계층적인 커뮤니티를 동시에 식별하기 위해, 최대 클리크 집합을 기반으로 한 병합적 접근법인 EAGLE을 제안한다. 기존 모듈러리티를 확장해 커버(중복된 커뮤니티 집합)의 품질을 평가하고, 실험을 통해 실제 네트워크에 대한 우수한 탐지 성능을 입증한다.

상세 분석

EAGLE 알고리즘은 먼저 그래프의 모든 최대 클리크(maximal cliques)를 탐색한다. 최대 클리크는 완전 연결된 서브그래프이며, 겹치는 커뮤니티를 표현하기 위한 자연스러운 기본 단위가 된다. 논문은 이들 클리크를 정점으로, 클리크 간의 유사성을 가중치로 하는 완전 그래프를 구성한다. 유사도는 두 클리크가 공유하는 정점 수를 정규화한 값으로 정의되며, 이는 겹침 정도를 정량화한다.

그 후, 전통적인 계층적 군집화와 유사한 병합 과정을 수행한다. 초기에는 각 최대 클리크를 독립된 커뮤니티로 간주하고, 가장 높은 유사도를 가진 두 클리크를 반복적으로 병합한다. 병합 기준은 확장된 모듈러리티(Q) 함수에 의해 결정된다. 기존 모듈러리티는 단일 파티션을 전제로 하지만, 여기서는 커버(중복된 파티션)를 허용하도록 Q를 재정의한다. 구체적으로, 각 정점이 속한 커뮤니티 수에 따라 기대 연결량을 조정하고, 실제 내부 연결량과의 차이를 누적한다. 이렇게 하면 커버 전체의 품질을 정량적으로 평가할 수 있다.

알고리즘은 병합 과정에서 Q값이 최대가 되는 단계에서 멈추며, 그 시점의 커버가 최적의 겹치고 계층적인 커뮤니티 구조를 제공한다. 중요한 점은 EAGLE이 클리크 기반이므로, 작은 밀집 서브그래프가 자동으로 커뮤니티의 씨앗이 되고, 이후 병합을 통해 더 큰 구조와 계층을 형성한다는 것이다. 따라서 희소한 연결을 가진 노드도 자연스럽게 여러 커뮤니티에 포함될 수 있다.

실험에서는 Zachary의 Karate Club, 미국 대학 협업 네트워크, 그리고 생물학적 단백질 상호작용 네트워크 등 다양한 실제 데이터에 적용하였다. 결과는 기존 겹침 탐지 방법(예: CPM, CFinder)과 계층적 군집화 방법(예: Girvan–Newman, Louvain)보다 높은 정밀도와 재현율을 보였으며, 특히 계층적 구조를 시각화했을 때 의미 있는 레벨 구분이 명확히 드러났다. 또한, 알고리즘의 시간 복잡도는 최대 클리크 탐색 단계가 지배적이지만, 실제 네트워크에서는 클리크 수가 제한적이므로 실용적인 실행 시간이 확보된다.

이 논문은 겹침과 계층성을 동시에 고려한 최초의 모듈러리티 기반 방법으로, 네트워크 과학, 사회학, 생물정보학 등 다양한 분야에서 복합적인 커뮤니티 구조를 분석하는 데 유용한 도구가 될 전망이다.