이진 네트워크 커뮤니티 탐지를 위한 진화적 최적화 기법

초록

본 논문은 이분 그래프의 모듈러리티를 최대화하는 새로운 진화 알고리즘인 수정 적응형 유전 알고리즘(MAGA)을 제안한다. 단일 및 방향성 네트워크를 이분 형태로 변환해 통합 프레임워크를 구축하고, Kullback‑Leibler 발산을 이용한 유전자(위치) 정보량 측정, 재할당 기법, 변형 돌연변이 규칙을 통해 수렴 속도와 전역 최적 탐색 능력을 크게 향상시켰다. 실험 결과, 기존 방법들보다 높은 모듈러티 값을 얻으며 다양한 실제 네트워크에 적용 가능함을 보였다.

상세 분석

이 논문은 네트워크 커뮤니티 탐지 문제를 ‘이분 네트워크 모듈러리티 최대화’라는 하나의 최적화 문제로 통합한다는 점에서 이론적 의의가 크다. 기존의 Newman‑Girvan 모듈러티는 단일 그래프에만 적용 가능했지만, 저자들은 각 노드를 두 개의 복제 노드(A_i, B_i)로 확장함으로써 단일 및 방향성 그래프를 이분 그래프로 변환하고, Barber가 제안한 이분 모듈러티 식을 그대로 사용할 수 있음을 증명한다. 최적화 단계에서는 전통적인 GA가 파라미터(교차율·돌연변이율) 설정에 민감한 문제를 해결하고자, ‘Mutation‑Only Genetic Algorithm(MOGA)’을 기반으로 한 MAGA를 설계한다. 핵심 개선점은 세 가지이다. 첫째, 각 위치(locus)의 정보량을 표준편차가 아닌 현재 집단의 알렐 분포와 균등 분포 사이의 Kullback‑Leibler(KL) 발산으로 정의하여, 정보가 적은 위치만 선택적으로 돌연변이하도록 한다. 이는 불필요한 탐색을 줄이고 수렴을 가속화한다. 둘째, 초기 단계에서 무작위 상태와 실제 정보가 반영된 상태를 구분하기 위해 ‘재할당 기법’을 도입한다. 이는 초기 집단이 지나치게 균일한 분포를 가질 때 발생하는 탐색 효율 저하를 보완한다. 셋째, 변형된 돌연변이 연산자는 기존 돌연변이와 보완 연산을 결합해 전역 최적 해에 대한 수렴을 보장한다. 이론적 분석과 실험을 통해 MAGA가 인구 크기 선택, 연산 복잡도, 수렴 속도 측면에서 기존 GA·SA·SR·EO 등에 비해 우수함을 입증한다. 특히, 동일한 네트워크에 대해 여러 번 실행했을 때 서로 다른 고품질 해를 제공함으로써 해의 ‘다양성’과 ‘신뢰도’를 평가할 수 있는 새로운 방법론을 제시한다.