진화 네트워크 게임 기반 새로운 클러스터링 알고리즘

** 1. **연구 배경 및 동기** 클러스터링은 패턴 인식·데이터 마이닝 분야에서 핵심 기술이며, 기존 방법들은 데이터 포인트를 고정된 위치에 두고 전역 혹은 지역적인 목표 함수를 최적화한다. 최근에는 데이터 자체가 ‘에이전트’처럼 행동하도록 설계하는 연구가 등장했으며, 특히 게임 이론을 도입해 자율적인 군집 형성을 탐구한다. 본 논문은 이러한 흐름에 맞추어, 진화 게임 이론(Evolutionary Game Theory, EGT)과 동적 네트워크 모델을 결합한 새로운 클러스터링 프레임워크를 제안한다. 2. **기본 모델 정의** - **플레이어 집합 X**: N개의 데이터 포인트 X₁,…,X_N 로 구성. - **거리 함수 d**: 유클리드 거리 등, 가까울수록 작은 값. - **초기 네트워크 G₀**: 각 포인트 i에 대해 k‑nearest neighbor(자기 자신 포함) 를 향해 방향성 엣지를 만든 가중·유향 그래프. 엣지 가중치는 거리의 역수이며, 자기 루프는 가중치 1 로 설정한다. - **전략 집합 S₀**: 각 플레이어 i의 초기 전략 s₀(i) = Γ₀(i) (즉, 현재 이웃 집합). - **선호도 P₀(i)**: i가 각 이웃 j와 그룹을 형성하고자 하는 확률 p₀(i,j)=1/k 로 균등하게 초기화. 3. **payoff 정의** 각 라운드 t에서 플레이어 i는 자신의 이웃 집합 Γ_t(i) 를 통해 다음과 같이 payoff를 계산한다. u_t(i)=∑_{j∈Γ_t(i)} p_t(i,j)·Deg_t(j)/d(i,j) 여기서 Deg_t(j) 는 현재 네트워크에서 j의 총 차수(입·출 차수 합)이며, p_t(i,j) 는 현재 선호도 값이다. 이 식은 “가까운 이웃이면서 연결이 많고, 나와의 상호작용 빈도가 높은” 이웃에게 더 큰 보상을 부여한다는 의미다. 4. **ERR(Edge‑Removing‑and‑Rewiring) 함수** payoff를 기반으로 네트워크를 동적으로 재구성한다. 구체적 절차는 다음과 같다. - **확장 이웃 집합 Υ_t(i)**: 현재 이웃 Γ_t(i) 와 그 이웃들의 이웃을 합친 집합. - **payoff 임계값 θ_t(i)**: Γ_t(i) 내 payoff 평균 혹은 특정 percentile 로 정의. - **재연결 규칙**: Γ_t(i) 에서 payoff가 가장 낮은 노드를 제거하고, Υ_t(i) 중 payoff가 높은 노드 중 상위 k 개를 새 이웃으로 선택한다. 선택은 argmax_k 로 구현한다. - **선호도 업데이트**: 새 이웃 집합에 대해 p_t(i,j) 를 재계산하고, 선택된 최댓값 이웃 m에 대해 p_t(i,m) 를 음수로 전환한 뒤, 전체 선호도를 평균값을 기준으로 정규화한다(공식 (7), (8) 참고). 5. **전략 진화 및 ESS** 각 라운드마다 플레이어는 현재 선호도가 가장 높은 이웃의 전략을 채택한다. 시간이 흐르면 특정 전략이 네트워크 전반에 퍼지며, 작은 변이 전략이 기존 전략보다 낮은 payoff를 얻게 되는 ESS 상태에 도달한다. ESS를 공유하는 노드 집합이 바로 클러스터가 된다. ESS의 개수는 자동으로 군집 수를 결정한다는 장점이 있다. 6. **제안된 세 가지 알고리즘** - **Algorithm‑1 (기본 ERR)**: θ 를 고정값으로 두고, 매 라운드마다 단순히 최소 payoff 이웃을 교체한다. - **Algorithm‑2 (확장 ERR)**: Υ_t(i) 를 활용해 보다 넓은 탐색 범위를 제공, 고차원 데이터에서 지역 최적에 빠지는 현상을 완화한다. - **Algorithm‑3 (다중 단계 ERR)**: 초기 k 를 크게 잡고, 수렴 후 k 를 점진적으로 감소시키는 ‘annealing’ 방식으로 안정적인 ESS 도달을 촉진한다. 7. **실험 설계 및 결과** - **데이터셋**: 인공 2‑D/3‑D Gaussian 혼합, Iris, Wine, Breast Cancer 등 UCI 공개 데이터. - **비교 대상**: K‑means, DBSCAN, Spectral Clustering, Agglomerative Hierarchical 등. - **평가 지표**: Adjusted Rand Index (ARI), Normalized Mutual Information (NMI), Silhouette Coefficient, 실행 시간. - **주요 발견**: * ESS 기반 군집 수 추정이 실제 군집 수와 높은 일치도를 보였다. * 복잡도는 O(N·k·T) 이지만, T 가 보통 10~30 회 수준에 머물러 실시간 수준의 실행 속도를 유지했다. * 특히 비구형·불균형 데이터에서 기존 방법보다 높은 ARI/NMI 값을 기록했다. 8. **장점 및 한계** - **장점**: * 네트워크 동적 재구성을 통해 데이터 구조를 스스로 탐색, 사전 군집 수 지정 불필요. * 진화 게임 이론을 활용해 ‘전략 안정성’이라는 이론적 근거를 제공, 군집의 해석 가능성이 높음. * 다양한 ERR 파라미터 조합으로 유연한 적용 가능. - **한계**: * 초기 k‑nn 그래프와 payoff 함수 설계에 민감; 부적절한 초기화는 수렴 실패 혹은 과도한 반복을 초래. * 대규모 고차원 데이터에서 k·N·T 연산이 메모리·시간 부담을 가질 수 있음. * ESS가 반드시 의미 있는 의미론적 군집을 보장하지는 않으며, 데이터가 명확히 구분되지 않을 경우 혼합된 ESS가 발생할 수 있다. 9. **결론 및 향후 연구** 본 논문은 “게임 기반 진화 네트워크”라는 새로운 프레임워크를 제시함으로써, 클러스터링을 정적 최적화 문제가 아니라 동적 전략 교환·네트워크 재구성 과정으로 재해석했다. 향후 연구에서는 (1) 고차원 데이터에 대한 차원 축소와 연계한 효율적 초기화, (2) 비정형 그래프(예: 소셜 네트워크)에서의 적용, (3) 멀티‑스케일 ESS 탐지를 위한 계층적 ERR 설계 등을 탐색할 계획이다. **