빠른 다단계 그래프 군집화와 커뮤니티 탐지 알고리즘

초록

본 논문은 그래프의 모듈러리티를 최대화하는 군집화를, 동일한 정점을 갖는 완전 그래프에서의 최소 가중치 컷 문제로 변환한다. 변환된 문제는 기존의 다단계 그래프 분할 소프트웨어(예: METIS)를 이용해 효율적으로 해결할 수 있으며, 실험 결과 기존 방법들보다 높은 군집 품질과 훨씬 짧은 실행 시간을 보인다.

상세 분석

모듈러리티는 군집화 품질을 평가하는 대표적인 지표로, 실제 그래프에서 같은 군집 내에 존재하는 엣지 수와 무작위 그래프(구조가 없는 그래프)에서 기대되는 엣지 수의 차이를 정량화한다. 기존 연구에서는 모듈러리티를 직접 최적화하는 것이 NP‑hard임을 보였으며, 휴리스틱이나 근사 알고리즘에 의존하는 경우가 많았다. 이 논문은 모듈러리티 최대화 문제를 “완전 그래프 상의 최소 가중치 컷” 문제로 정확히 등가 변환한다는 핵심 아이디어를 제시한다. 구체적으로, 원 그래프 G(V,E)와 동일한 정점 집합 V를 갖는 완전 그래프 K(V) 위에 가중치를 부여한다. 두 정점 i와 j 사이의 가중치는 (A_{ij} – P_{ij}) 로 정의되는데, 여기서 A_{ij}는 원 그래프에서의 인접 행렬 원소, P_{ij}=k_i k_j/(2m)는 무작위 그래프 모델(구성도 유지)에서 기대되는 연결 확률이다. 이렇게 정의된 가중치 합은 군집 내부와 외부의 모듈러리티 차이를 그대로 반영한다. 따라서 어떤 파티션의 컷 가중치는 해당 파티션의 모듈러리티와 부호가 반대인 값이 되며, 최소 컷을 찾는 것이 곧 모듈러리티를 최대화하는 파티션을 찾는 것과 동치가 된다.

이후 논문은 기존에 고성능으로 알려진 다단계 그래프 분할 프레임워크를 적용한다. 다단계 알고리즘은 (1) 코어싱(coarsening) 단계에서 정점을 그룹화해 그래프를 점차 축소하고, (2) 축소된 그래프에서 초기 파티션을 구한 뒤, (3) 언코어싱(uncoarsening) 단계에서 점진적으로 원래 그래프로 복원하면서 로컬 최적화를 수행한다. 이 과정에서 사용되는 로컬 최적화 기법은 일반적인 FM(Fiduccia‑Mattheyses) 이동이나 KL(Kernighan‑Lin) 교환을 변형한 형태이며, 가중치가 음수일 수 있는 특수성을 고려해 컷 가중치의 감소를 목표로 한다.

알고리즘의 시간 복잡도는 코어싱 단계에서 O(|E|) 정도이며, 전체 다단계 과정은 거의 선형에 가깝다. 실험에서는 METIS와 같은 상용 파티셔닝 툴을 백엔드로 사용했으며, 다양한 실세계 네트워크(소셜, 생물학, 웹 그래프)와 합성 베타 모델 그래프에 대해 기존 모듈러리티 기반 군집화 기법(예: 뉴먼‑굿맨, 라우터, Louvain)과 비교했다. 결과는 (1) 모듈러리티 점수에서 평균 5~12% 향상, (2) 실행 시간에서는 10배 이상 가속을 달성했음을 보여준다. 특히 큰 규모(수십만 정점, 수백만 엣지) 그래프에서도 메모리 사용량이 제한적이며, 완전 그래프를 명시적으로 구성하지 않고 가중치 함수를 온‑더‑플라이로 계산함으로써 확장성을 확보한다.

이 논문의 주요 기여는 (① 모듈러리티 최대화를 최소 컷 문제로 정확히 변환한 수학적 증명, ② 기존 다단계 파티셔닝 프레임워크를 모듈러리티 최적화에 적용한 실용적 설계, ③ 대규모 네트워크에 대한 실험적 검증)이다. 또한 음수 가중치를 허용하는 최소 컷 문제에 대한 일반적인 접근법을 제시함으로써, 향후 다른 품질 함수(예: 정규화된 컷, 인포메이션 이론 기반 지표)에도 확장 가능성을 시사한다.