복합 네트워크 겹침 계층 커뮤니티 탐지

초록

본 논문은 네트워크의 겹치는 커뮤니티와 다중 계층 구조를 동시에 밝혀내는 최초의 알고리즘을 제안한다. 노드의 내부·외부 연결 정도를 이용한 피트니스 함수를 지역 최적화하고, 해상도 파라미터 α를 조절해 다양한 규모의 모듈을 탐색한다. 피트니스 히스토그램의 뚜렷한 피크가 안정적인 커뮤니티를 나타내며, 실험 결과는 인공·실제 네트워크 모두에서 높은 정확도를 보여준다.

상세 분석

이 연구는 복합 네트워크에서 흔히 관찰되는 두 가지 난제를 동시에 해결한다. 첫째는 노드가 여러 커뮤니티에 동시에 속할 수 있는 ‘겹침(overlapping)’ 현상이며, 둘째는 커뮤니티가 서로 중첩된 ‘계층(hierarchical)’ 구조이다. 기존 방법들은 보통 하나의 문제에만 초점을 맞추어, 예를 들어 클리크 퍼콜레이션 기반의 겹침 탐지나 모듈러리티 최적화를 통한 단일 계층 분할에 머물렀다. 저자들은 이러한 한계를 극복하기 위해 ‘피트니스 함수’를 도입한다. 피트니스 f_G는 내부 차수 k_in과 외부 차수 k_out의 비율에 α라는 실수 지수를 적용한 형태, 즉

  f_G = k_in · (k_in + k_out)^α

으로 정의된다. α가 클수록 작은, 밀집된 커뮤니티가 선호되고, α가 작을수록 큰, 느슨한 커뮤니티가 강조된다. 이 함수는 노드 집합 G가 네트워크 내에서 얼마나 ‘자립적’인지를 정량화한다는 점에서 의미가 있다.

알고리즘은 각 노드를 씨앗(seed)으로 삼아 ‘자연 커뮤니티’를 탐색한다. 초기에는 씨앗 노드만 포함된 서브그래프 G를 만들고, G의 외부 이웃 중 피트니스 증가폭이 가장 큰 노드를 추가한다. 추가 후 G에 포함된 모든 노드에 대해 ‘노드 피트니스’를 재계산하고, 피트니스가 음수인 노드는 제거한다. 이 과정을 G의 모든 이웃이 음수 피트니스를 보일 때까지 반복한다. 결과적으로 얻어진 G는 해당 씨앗에 대한 지역 최적 커뮤니티가 된다.

중복 커뮤니티를 허용하기 위해, 이미 다른 커뮤니티에 속한 노드라도 새로운 G에 포함될 수 있다. 따라서 겹치는 구조가 자연스럽게 드러난다. 또한 α를 연속적으로 변화시켜 여러 해상도에서 커뮤니티를 추출하면, 피트니스 히스토그램에 뚜렷한 피크가 나타난다. 피크가 높고 넓을수록 해당 커뮤니티는 α 변화에 강인하며, 이는 ‘안정성(stability)’의 정량적 지표가 된다.

계층 관계는 두 커뮤니티 집합 C′와 C″가 존재할 때, C′의 모든 커뮤니티가 C″의 커뮤니티를 완전 혹은 부분적으로 포함한다면 C′가 상위, C″가 하위 계층으로 정의한다. 이렇게 하면 겹치는 노드가 존재해도 계층 구조를 명확히 기술할 수 있다.

시간 복잡도는 한 커뮤니티를 구축하는 데 O(s²) (s는 커뮤니티 크기)이며, 전체 네트워크에 대해 평균 커뮤니티 크기의 제곱 평균 ⟨s²⟩에 비례한다. 최악의 경우 O(n²) (n은 노드 수)지만, 실제 대부분의 네트워크는 작은 커뮤니티가 다수이므로 거의 선형에 가깝다. 실험에서는 Erdős‑Rényi 그래프와 실제 소셜·웹·생물학 네트워크에 대해 α를 0.1부터 3까지 변화시켰으며, 기존 방법 대비 정밀도·재현율 모두에서 우수한 성능을 보였다.

핵심 기여는 (1) 겹침과 계층을 동시에 포착하는 피트니스 기반 지역 최적화 프레임워크, (2) 해상도 파라미터 α를 통한 다중 스케일 탐색, (3) 피트니스 히스토그램을 이용한 커뮤니티 안정성 평가이다. 제한점으로는 α 선택이 어느 정도 경험적이며, 매우 큰 네트워크에서 초기 씨앗 선택이 결과에 미치는 영향이 남아 있다는 점이다. 향후 연구에서는 자동 α 튜닝 및 병렬화 전략을 통해 확장성을 높일 여지가 있다.