제약 하 라벨 전파를 통한 네트워크 커뮤니티 탐지

초록

본 논문은 라벨 전파 알고리즘(LPA)을 최적화 문제로 재정의하고, 목표 함수와 커뮤니티 품질 사이의 불일치를 분석한다. 목표 함수를 수정해 제약을 가함으로써 모듈러리티를 직접 최적화하는 변형들을 제시하고, 단일 및 이분 그래프 모두에 적용 가능한 구현 방안을 논의한다.

상세 분석

라벨 전파 알고리즘(LPA)은 초기에는 각 정점에 고유 라벨을 부여하고, 인접 정점들의 라벨 중 가장 빈도가 높은 라벨로 반복적으로 업데이트하면서 수렴한다. 이 과정은 매우 빠르고 구현이 간단해 대규모 네트워크에 매력적이지만, 수렴 상태가 반드시 실제 커뮤니티 구조와 일치한다는 보장은 없다. 논문은 LPA를 “라벨 할당 벡터”와 “인접 행렬”을 이용한 이산 최적화 문제로 재구성한다. 구체적으로, 각 정점 i에 라벨 ci∈{1,…,K}를 할당하고, 목표 함수 Q(L)=∑{i,j} A{ij}δ(c_i,c_j) 를 정의한다. 여기서 A_{ij}는 인접 행렬, δ는 크로네커 델타이다. 이 함수는 같은 라벨을 가진 인접 정점 쌍의 수를 최대화하려는 형태이며, LPA의 라벨 업데이트 규칙은 Q(L)를 국소적으로 증가시키는 그리디 탐색에 해당한다.

하지만 저자는 Q(L)의 최대화가 반드시 “좋은” 커뮤니티를 의미하지 않음을 여러 사례를 통해 보여준다. 예컨대, 완전 연결 그래프에서는 모든 정점이 하나의 라벨을 공유함으로써 Q가 최대로 되지만, 이는 의미 있는 분할이 아니다. 또한, Q는 정점 수와 연결 밀도에 민감해, 작은 클러스터가 큰 클러스터에 비해 불리한 위치에 놓인다. 이러한 구조적 결함은 LPA가 무작위 초기화와 동기식 업데이트에 따라 서로 다른 실행 결과를 낼 수 있음을 설명한다.

이를 해결하기 위해 논문은 기존 목표 함수에 제약을 추가하는 새로운 최적화 프레임워크를 제안한다. 제약은 (1) 라벨 수 제한, (2) 라벨당 최소/최대 크기, (3) 라벨 간 상호작용 가중치 등으로 구성될 수 있다. 특히, 모듈러리티 M = (1/2m)∑_{i,j}