위상적 특징 기반 분류

초록

본 논문은 블록모델링을 활용해 네트워크의 구조적 위치(네트워크 포지션)를 자동으로 발견하고, 이를 노드 라벨 예측에 이용하는 지도학습 블록모델(SBSN)을 제안한다. 기존 커뮤니티 탐지의 한계(해상도 제한·다양한 최적해)와 내용 기반 관계 학습의 의존성을 극복하며, 실험을 통해 내용 없이도 경쟁력 있는 분류 성능을 입증한다.

상세 분석

이 연구는 네트워크 분석에서 “구조적 특징을 어떻게 유용한 피처로 전환할 것인가”라는 근본적인 질문에 답한다. 기존 커뮤니티 탐지 방법은 Newman‑Girvan 모듈러티를 최적화하거나, 알려진 파티션과의 일치도를 측정하는 방식에 의존한다. 그러나 모듈러티는 해상도 한계와 다중 최적해(퇴보 현상) 문제를 안고 있어, 단순히 높은 점수를 얻는 클러스터가 실제 의미 있는 구조를 반영한다는 보장이 없다. 또한, 실제 사회·생물·물리 네트워크는 하나의 파티션만을 갖는 것이 아니라, 가족·직장·취미 등 다차원적인 관계를 동시에 포함한다. 따라서 “정답” 파티션을 미리 정의하고 이를 복원하는 평가는 현실적이지 않다.

논문은 이러한 한계를 극복하기 위해 블록모델링을 기반으로 한 확률적 프레임워크를 설계한다. 블록모델은 노드들을 “포지션”(position)이라 부르는 잠재적 역할 집합에 할당하고, 포지션 간 연결 확률 행렬 π 를 학습한다. 포지션 자체가 동질적인 연결 패턴을 갖는 노드 집합이므로, 동질성(assortative)뿐 아니라 이질성(dissortative) 관계도 자연스럽게 모델링된다. 기존의 MMSB·Infinite Relational Model 등은 포지션 할당만을 목표로 했지만, 본 연구는 지도 라벨 y 를 동시에 고려한다. 구체적으로, 각 노드 v 에 대해 해당 노드가 참여한 모든 상호작용에서 관찰된 포지션 빈도 (\bar{z}_v) 를 계산하고, 이를 소프트맥스 함수에 입력해 라벨 확률을 추정한다. 이는 LDA의 sLDA와 구조적으로 유사하지만, 문서‑단어 대신 송신‑수신 노드와 포지션을 사용한다는 점에서 차별화된다.

학습은 변분 EM(VBEM)으로 수행한다. E‑스텝에서는 포지션 할당 (λ) 와 파라미터 (ω, ζ) 를 업데이트해 변분 자유 에너지 (F(q,Θ)) 를 최대화하고, M‑스텝에서는 π 와 φ (포지션별 노드 분포)를 갱신한다. 이때 하이퍼파라미터 α,β 는 고정하고, 라벨 파라미터 η 는 소프트맥스 회귀 형태로 학습한다. 변분 근사는 완전한 후방분포를 계산하기 어려운 블록모델에 대해 실용적인 추정치를 제공하며, 대규모 희소 그래프에서도 효율적으로 동작한다.

실험에서는 인용 네트워크, 블로그 네트워크, 워드 네트워크 등 다양한 실제 데이터셋을 사용했다. 내용 기반 관계 학습(Relational Learner)과 비교했을 때, 노드 속성(단어 빈도 등)을 전혀 사용하지 않음에도 불구하고 비슷하거나 더 높은 정확도를 달성했다. 특히, 방향성·이분 그래프(예: 사기 탐지에 활용되는 bipartite 구조)에서는 기존 반감성(assortative) 가정에 기반한 반지도 학습(semi‑supervised) 방법보다 현저히 좋은 성능을 보였다. 이는 포지션 모델이 이질적 연결 패턴을 포착하고, 이를 라벨 예측에 직접 활용할 수 있음을 증명한다.

이 논문의 주요 기여는 다음과 같다. 첫째, “클러스터가 목적에 맞게 최적화되는가”라는 질문을 정량적 예측 성능으로 직접 검증한다. 둘째, 블록모델을 지도학습과 결합해 네트워크 포지션을 라벨과 연관시키는 새로운 확률 모델(SBSN)을 제안한다. 셋째, 변분 EM을 이용해 대규모 희소 그래프에서도 실용적으로 학습할 수 있는 알고리즘을 제공한다. 마지막으로, 실험을 통해 내용 없이도 구조만으로 강력한 분류가 가능함을 입증함으로써, 네트워크 과학과 머신러닝 사이의 통합 연구에 중요한 방향성을 제시한다.