특징 공간을 이용한 네트워크 구조 탐색

초록

본 논문은 네트워크의 직접 분석 대신 노드 간 유사성을 기반으로 저차원 특징 공간에 투사한 뒤, 전통적인 군집 알고리즘(K‑means 등)으로 구조를 파악하는 다단계 방법을 제안한다. 특징 공간에서의 군집은 원 네트워크의 복잡한 미시구조와 규모 차이를 완화시켜, 무작위 배경 속 작은 집단이나 일반적인 커뮤니티까지 포괄적으로 탐지할 수 있다.

상세 분석

이 연구는 네트워크 구조 분석을 네 단계로 나눈다. 첫 번째 단계는 각 노드의 연결 패턴을 행렬 A의 행(또는 열)로 표현하고, 이를 평균 차수 D/N으로 중심화한 벡터 s_j를 만든다. 두 번째 단계에서는 이 중심화된 연결 패턴 행렬 S를 특이값 분해(SVD)하여 주요 특이벡터 u_k를 추출하고, 선택된 M개의 선도 특이벡터가 정의하는 저차원 특징 공간에 노드들을 투사한다. 여기서 M은 데이터의 분산 구조에 따라 2~3 차원 정도가 일반적이며, 특이값 스펙트럼의 급격한 감쇠(gap)를 통해 적절한 차원을 판단한다.

세 번째 단계는 투사된 점들을 기존 군집 기법, 특히 개선된 K‑means 알고리즘으로 군집화한다. 알고리즘은 무작위 초기화 10회를 수행해 최적의 목적함수 Q(점‑센터 거리 합)를 선택하고, 각 군집에서 단일 점을 다른 군집으로 이동시키는 ‘첫 번째 변형(partition)’을 반복해 지역 최적을 탈피한다.

네 번째 단계에서는 군집 결과를 원 네트워크로 역매핑한다. 특징 공간에서 형성된 군집이 반드시 전통적 의미의 커뮤니티와 일치하지 않을 수 있음을 강조한다. 예를 들어, 무작위 배경 노드가 하나의 군집을 이루거나, 양측이 이분 그래프 형태인 경우에도 두 개의 군집이 형성될 수 있다. 따라서 필요에 따라 역매핑 후 추가적인 구조 해석(예: 두 군집을 합쳐 이분 구조로 인식) 과정을 거친다.

실험에서는 (1) 기존 모듈러 네트워크(128노드, 4개의 밀집 커뮤니티)에서 z_out(클러스터 간 평균 연결 수)을 변화시켜 군집 정확도 f_c를 측정했으며, z_out이 6 이하일 때 거의 완벽한 복구를 보였다. (2) 카라테 클럽, 돌고래 사회망 등 실제 데이터에 적용해 기존 연구와 유사한 군집 구성을 확인했다. (3) 무작위 배경에 작은 고밀도 서브그룹을 삽입한 합성 네트워크에서, 그룹의 평균 차수와 그룹 크기에 따라 q1(정확히 식별된 비율)과 q2(오분류 비율)를 계산해 성능을 정량화했다. 결과는 평균 차수가 8~10 정도면 q1≈0.9, q2≈0.1 수준으로, 비교적 희박한 서브그룹도 효과적으로 탐지함을 보여준다.

이 방법의 핵심 장점은 (i) 노드 간 유사성을 수치화해 차원 축소 후 군집화함으로써 복잡한 네트워크 구조를 시각적·계산적으로 단순화한다, (ii) 특이값 기반 차원 선택이 데이터에 내재된 구조적 신호를 자동으로 포착한다, (iii) 전통적인 커뮤니티 정의에 얽매이지 않고 다양한 스케일과 형태(무작위 배경, 이분 구조, 부분적 밀집 그룹 등)를 포괄한다는 점이다. 다만, 유사성 측정 방식이 연결 패턴 중심이므로 가중치 네트워크나 방향성 링크가 있는 경우 추가적인 전처리가 필요할 수 있다. 또한 K‑means의 초기화 민감도가 존재하므로 다중 실행 및 다른 군집 기법(예: DBSCAN, 스펙트럴 클러스터링)과의 비교가 향후 연구 과제로 남는다.