네트워크 커뮤니티 탐지를 위한 차수 보정 확률 블록모델

초록

본 논문은 기존 확률 블록모델이 정점의 차수 분포를 무시함으로써 실제 네트워크에 적용하기 어려운 문제를 지적하고, 차수를 명시적으로 모델에 포함한 ‘차수 보정 블록모델’을 제안한다. 이 모델을 기반으로 로그우도 기반 목표 함수를 정의하고, 이를 최적화하는 휴리스틱 군집화 알고리즘을 설계하였다. 실험 결과, 차수 보정 버전이 비보정 버전보다 합성 및 실제 네트워크 모두에서 커뮤니티 탐지 정확도가 현저히 높음을 보여준다.

상세 분석

확률 블록모델(SBM)은 네트워크를 여러 블록(또는 커뮤니티)으로 나누고, 블록 간 연결 확률을 매개변수화함으로써 구조적 특성을 설명하려는 접근법이다. 전통적인 SBM은 각 정점이 동일한 평균 차수를 가진다고 가정하는데, 이는 실제 사회·생물·기술 네트워크가 보이는 멱법칙적 혹은 넓은 차수 분포와 크게 괴리된다. 차수 분포가 왜곡될 경우, 높은 차수를 가진 정점이 무작위로 여러 블록에 흩어져 있더라도 모델은 이를 ‘핵심 커뮤니티’로 오인하게 된다. 이러한 문제를 해결하기 위해 논문은 각 정점 i에 고유 파라미터 θ_i를 도입해 기대 차수를 직접 모델링하는 차수 보정 SBM(degree‑corrected SBM, DC‑SBM)을 제안한다.
DC‑SBM의 확률 생성 과정은 다음과 같다. 정점 i와 j가 각각 블록 g_i, g_j에 속하고, θ_i, θ_j가 정점 별 차수 파라미터라 할 때, 두 정점 사이에 엣지가 존재할 확률은 θ_i θ_j ω_{g_i g_j} 로 정의된다. 여기서 ω_{rs}는 블록 r과 s 사이의 연결 강도 매트릭스이며, 전체 파라미터 집합 {θ, ω, g}에 대한 로그우도 L을 최대화하는 것이 목표이다. 로그우도는 정점 차수와 블록 내·외 연결 패턴을 동시에 고려하므로, 기존 SBM가 놓치던 차수 이질성을 자연스럽게 보정한다.
목표 함수를 전통적인 모듈러리티와 비교하면, 모듈러리티는 기대 연결 수를 전체 평균 차수만으로 추정하는 반면, DC‑SBM는 각 정점의 실제 차수를 기대값에 반영한다. 따라서 DC‑SBM 기반 목표 함수는 모듈러리티의 ‘해상도 제한’ 문제를 완화하고, 고차원 차수 변동성을 가진 네트워크에서도 의미 있는 커뮤니티를 찾아낼 수 있다.
알고리즘 측면에서 저자들은 로그우도 증가를 보장하는 탐욕적 병합(agglomerative) 휴리스틱을 설계한다. 초기에는 각 정점을 독립된 커뮤니티로 두고, 인접 커뮤니티 쌍 중 로그우도 상승폭이 가장 큰 쌍을 반복적으로 병합한다. 병합 과정에서 θ_i는 현재 커뮤니티 내 정점들의 차수 합으로 재계산되며, ω_{rs}는 블록 간 실제 엣지 수를 정규화한 값으로 업데이트된다. 이 절차는 O(m log n) 시간 복잡도를 가지며, 대규모 네트워크에도 적용 가능하도록 설계되었다.
실험에서는 LFR 벤치마크(다양한 평균 차수와 커뮤니티 크기 분포)와 실제 데이터(학술 협업망, 인터넷 AS‑level 토폴로지, 정치 블로그 네트워크 등)를 사용해 두 모델을 비교하였다. 비보정 SBM와 기존 모듈러리티 기반 방법은 차수 이질성이 클수록 NMI(Normalized Mutual Information) 점수가 급격히 감소했지만, DC‑SBM 기반 알고리즘은 거의 일정한 성능을 유지하였다. 특히, 차수 보정이 없는 경우 고차수 정점이 여러 커뮤니티에 걸쳐 잘못 할당되는 현상이 뚜렷했으며, 이는 DC‑SBM이 차수 정보를 명시적으로 활용함으로써 해결됨을 보여준다.
결론적으로, 차수 보정 확률 블록모델은 기존 SBM의 한계를 극복하고, 로그우도 기반 목표 함수를 통해 보다 정교한 커뮤니티 구조를 추정한다. 또한 제안된 휴리스틱은 구현이 간단하면서도 높은 정확도를 제공하므로, 실무에서 대규모 네트워크 분석 도구로 활용될 잠재력이 크다.