네트워크 삼분할을 위한 스펙트럴 방법

초록

본 논문은 품질 함수의 두 개 주요 고유벡터를 이용해 네트워크를 한 번에 세 개의 커뮤니티로 나누는 스펙트럴 파티셔닝 알고리즘을 제안한다. 기존의 뉴먼(Newman) 방식이 이진 분할에 국한됐던 것을 확장해, 재귀적 단계마다 2‑way와 3‑way 분할 후보를 동시에 평가한다. 간단한 예시와 실제 데이터(학술 공동저자망, 미국 의회 투표망)에 적용해 성능을 검증한다.

상세 분석

이 연구는 그래프 커뮤니티 탐지를 위한 스펙트럴 기법을 2‑way에서 3‑way로 자연스럽게 확장한다는 점에서 의미가 크다. 기존 뉴먼(Newman) 알고리즘은 모듈러리티(modularity)와 같은 품질 함수를 라플라시안(Laplacian) 혹은 모듈러리티 행렬에 적용해, 가장 큰 고유값에 대응하는 고유벡터를 이용해 이진 분할을 수행한다. 그러나 실제 네트워크는 복잡한 구조를 가지고 있어, 이진 분할만으로는 최적의 커뮤니티 구성을 포착하기 어려운 경우가 많다. 저자들은 “품질 함수의 두 번째 고유벡터”까지 활용함으로써, 2차원 고유벡터 공간에서 각 노드를 좌표화하고, 이 평면을 세 개의 영역으로 나누는 최적의 삼분할을 찾는다.

핵심 아이디어는 다음과 같다. 먼저, 선택한 품질 함수(예: 모듈러리티)의 행렬 B에 대해 가장 큰 두 고유값 λ₁, λ₂와 대응 고유벡터 u₁, u₂를 계산한다. 각 노드 i는 (u₁ᵢ, u₂ᵢ)라는 2‑D 좌표로 매핑된다. 이 좌표 평면을 세 개의 선형 구역(예: 두 개의 직선)으로 나누어, 각 구역에 속한 노드 집합을 커뮤니티로 정의한다. 구역 경계는 전체 품질 함수 Q의 값을 최대화하도록 최적화된다. 즉, Q = Σ_{c} (e_{cc} - a_c²) 형태의 모듈러리티를 직접 계산해, 가능한 모든 삼분할 후보 중 Q가 가장 큰 구성을 선택한다.

알고리즘은 재귀적으로 적용된다. 현재 서브그래프에 대해 2‑way와 3‑way 분할을 각각 시도하고, Q값이 더 큰 쪽을 선택한다. 이렇게 하면, 어느 단계에서든 최적의 다중분할이 이루어지며, 불필요한 이진 분할에 비해 계산 효율성과 해석적 명료성을 동시에 확보한다. 또한, 두 번째 고유벡터를 활용함으로써 기존 2‑way 스펙트럴 방법이 놓칠 수 있는 “세 번째 축”의 정보를 포착한다는 점이 강조된다.

실험에서는 간단한 “버킷 브리게이드(bucket brigade)” 모델을 통해 이론적 기대치를 검증한다. 이 모델은 선형으로 연결된 노드 집합에 일정한 연결 강도를 부여해, 명확히 세 개의 클러스터가 존재하도록 설계되었다. 제안된 삼분할 알고리즘은 정확히 세 개의 커뮤니티를 복원했으며, 기존 2‑way 방법은 두 개의 큰 클러스터와 하나의 작은 클러스터로 과도하게 합치는 오류를 보였다.

실제 데이터 적용에서는 (1) 네트워크 과학자들의 공동저자 네트워크와 (2) 미국 의회의 롤콜 투표 유사도 네트워크를 분석한다. 공동저자 네트워크에서는 연구 분야(이론, 실험, 응용)별로 자연스럽게 세 개의 큰 커뮤니티가 형성되었고, 의회 네트워크에서는 정당 구분 외에도 지역·이념적 서브그룹이 삼분할을 통해 드러났다. 이러한 결과는 삼분할이 복합적인 사회·과학 네트워크의 다층 구조를 포착하는 데 유용함을 시사한다.

마지막으로, 알고리즘의 복잡도는 고유벡터 계산에 O(N·E) 정도가 소요되며, 삼분할 경계 탐색은 2‑D 평면에서의 선형 프로그래밍 형태로 구현돼 실용적인 규모의 네트워크에도 적용 가능하다. 전체적으로, 이 논문은 스펙트럴 커뮤니티 탐지의 새로운 차원을 제시하며, 향후 다중분할(4‑way, 5‑way 등) 확장 가능성에 대한 토대를 마련한다.