고차원 확률 블록모델에서 스펙트럴 클러스터링의 정확도

초록

본 논문은 확률 블록모델(SBM)과 보다 일반적인 잠재공간 모델 하에서 정규화 그래프 라플라시안의 고유벡터가 모집단 라플라시안의 고유벡터로 수렴한다는 이론을 제시한다. 이를 바탕으로 스펙트럴 클러스터링이 실제 그래프에서 얼마나 많은 노드를 오분류하는지를 정량화하고, 클러스터 수가 노드 수와 함께 증가하는 고차원 설정에서도 일관된 성능을 보임을 증명한다.

상세 분석

이 연구는 두 단계로 구성된다. 첫 번째 단계는 잠재공간 모델(Latent Space Model, LSM) 하에서 정규화된 그래프 라플라시안 (L = D^{-1/2} A D^{-1/2}) 의 고유벡터가, 기대값을 취한 “모집단” 라플라시안 ( \mathcal{L} = \mathcal{D}^{-1/2} \mathcal{A} \mathcal{D}^{-1/2}) 의 고유벡터에 확률적으로 수렴한다는 점을 보이는 것이다. 여기서 (A)는 관측된 인접행렬, (D)는 그 차수행렬, (\mathcal{A})와 (\mathcal{D})는 각각 (A)의 기대값과 그에 대응하는 차수행렬이다. 저자들은 행렬 집중도(concentration)와 고유값 간격(eigen‑gap) 가정을 이용해, (|L - \mathcal{L}|2 = O_p!\big(\sqrt{\log n / d{\min}}\big)) 를 증명한다. 이 결과는 고차원(클러스터 수 (K) 가 (n) 과 비례적으로 증가) 상황에서도 유효하도록, 최소 차수 (d_{\min}) 가 (\Omega(\log n)) 를 만족하면 충분히 강한 수렴을 보장한다는 점을 강조한다.

두 번째 단계에서는 이러한 수렴성을 스펙트럴 클러스터링 알고리즘에 직접 연결한다. 스펙트럴 클러스터링은 (L) 의 상위 (K) 개 고유벡터를 추출해 행렬 (U) 를 만든 뒤, 각 행을 (K) 차원 공간에 매핑하고, 전통적인 (k)-means 로 군집을 형성한다. 논문은 (U) 와 모집단 고유벡터 행렬 (\mathcal{U}) 사이의 Frobenius 거리 (|U - \mathcal{U} O|_F) (여기서 (O)는 적절한 직교변환) 를 고윳값 간격과 차수 하한에 의존하는 상한으로 제시한다. 이 상한을 이용해, 최종 군집 결과와 실제 블록 할당 사이의 Hamming 거리, 즉 오분류된 노드 수 (M) 를 \