약한 최적 분할을 이용한 모듈러 네트워크 커뮤니티 탐색

초록

본 논문은 모듈러리티를 확률적 관점에서 재정의하고, “약한 최적(weakly optimal)” 분할 개념을 도입한다. 이를 기반으로 제안된 알고리즘은 기존 방법보다 스케일러블하면서도 높은 품질의 커뮤니티 구조를 찾아낸다.

상세 요약

모듈러리티는 그래프의 정점 집합을 여러 커뮤니티로 나눌 때, 내부 연결밀도와 외부 연결밀도의 차이를 정량화하는 지표로 널리 사용된다. 그러나 기존 연구들은 모듈러리티가 그래프 크기에 따라 “해상도 제한(resolution limit)”을 보이며, 작은 커뮤니티가 큰 커뮤니티에 묻히는 현상을 지적하였다. 또한, 최적화 과정에서 발생하는 다중극값 현상과 지역 최적에 빠지는 문제도 보고되었다. 이러한 한계를 극복하기 위해 저자들은 모듈러리티를 확률적 모델, 즉 각 정점이 무작위로 다른 정점과 연결될 확률을 기반으로 하는 기대값과 실제 관측값의 차이로 재해석한다. 이 과정에서 “약한 최적”이라는 새로운 개념을 도입한다. 약한 최적 분할은 전체 모듈러리티가 전역 최적이 아닐지라도, 각 커뮤니티 내부에서 더 이상 분할을 진행했을 때 모듈러리티가 감소하지 않는 상태를 의미한다. 즉, 부분 최적성을 보장하면서도 전체 구조는 유연하게 유지한다.

알고리즘은 크게 두 단계로 구성된다. 첫 번째 단계에서는 그래프를 초기 작은 클러스터들로 나눈 뒤, 각 클러스터 내부에서 모듈러리티 증가가 가능한 경우에만 재분할을 수행한다. 여기서 사용되는 판단 기준은 확률적 모듈러리티 변화량이며, 이는 기존의 그리디 방식보다 더 정교하게 “분할이 유의미한가”를 평가한다. 두 번째 단계에서는 얻어진 클러스터들을 병합하는 과정을 거치는데, 병합 후보는 모듈러리티 감소가 최소화되는 쌍을 선택한다. 이때도 약한 최적 조건을 검증하여, 병합이 전체 구조를 손상시키지 않도록 한다.

핵심적인 이론적 기여는 모듈러리티를 확률적 라플라시안 형태로 표현함으로써, 기존의 스펙트럴 방법과 포츠 모델을 하나의 통일된 프레임워크 안에 끌어들인 점이다. 이를 통해 그래프의 스펙트럼 특성을 이용한 빠른 초기 클러스터링과, 포츠 모델 기반의 미세 조정이 자연스럽게 결합된다. 실험 결과는 대규모 실세계 네트워크(수십만 정점, 수백만 엣지)에서 기존 Louvain, Infomap, Leiden 알고리즘 대비 동일하거나 더 높은 NMI·ARI 점수를 기록했으며, 메모리 사용량과 실행 시간에서도 경쟁력을 보였다. 특히, 해상도 제한 문제를 완화시켜 작은 커뮤니티를 정확히 복원하는 데 성공하였다.

이 논문은 약한 최적 개념을 통해 “전역 최적이 반드시 최선이 아니다”는 새로운 관점을 제시하고, 확률적 모듈러리티 기반의 효율적인 알고리즘을 제공함으로써 커뮤니티 탐지 분야에 중요한 실용적·이론적 진전을 이끌었다.