흐름 압축으로 드러나는 겹치는 모듈 구조

초록

이 논문은 네트워크 흐름을 압축하는 관점에서 겹치는 모듈을 탐지하는 새로운 방법인 ‘중첩 모듈을 위한 지도 방정식’을 제안한다. 일반화된 지도 방정식을 최소화함으로써 흐름을 가장 효율적으로 설명하는 모듈 구성을 찾고, 경계 노드가 여러 모듈에 속할 정도를 정량화한다. 제안 알고리즘을 적용한 결과, 신경망(C. elegans)에서는 거의 경계가 명확한 하드 모듈이, 유럽 도로망에서는 높은 겹침을 보이는 모듈 구조가 발견되었다.

상세 분석

본 연구는 네트워크 과학에서 ‘흐름 기반 모듈성’이라는 핵심 개념을 정보 이론적 압축 원리와 연결시킨다. 기존의 지도 방정식은 노드가 하나의 모듈에만 속한다는 전제 하에, 랜덤 워크와 같은 흐름을 압축하는 최적 코드북을 설계한다. 그러나 실제 복잡계에서는 경계 노드가 여러 기능적 그룹에 동시에 참여하는 경우가 빈번하며, 이를 무시하면 모듈 경계가 인위적으로 강제되어 실제 흐름 패턴을 왜곡한다. 논문은 이를 해결하기 위해 ‘중첩 모듈을 위한 지도 방정식’을 도입한다. 핵심 아이디어는 각 노드가 여러 모듈에 할당될 때, 해당 노드가 각 모듈에 속하는 비율(확률)을 정의하고, 이 확률에 따라 흐름이 모듈 간에 전이되는 가중치를 조정한다는 것이다. 이렇게 하면 코드북의 엔트로피 계산에 겹침 효과가 자연스럽게 반영된다.

수식적으로는 기존 지도 방정식의 엔트로피 항에 ‘노드-모듈 할당 행렬’ P(i,α) 를 도입한다. 여기서 i는 노드, α는 모듈을 의미한다. P(i,α)는 노드 i가 모듈 α에 속할 확률이며, ∑α P(i,α)=1을 만족한다. 흐름 전이 확률은 인접 노드 j와 모듈 α,β 사이의 전이 확률 T_{i→j}^{α→β}=P(i,α)·w_{ij}·P(j,β)/k_i 로 정의된다( w_{ij}는 가중치, k_i는 i의 총 가중치). 이 전이 확률을 기반으로 각 모듈 내부와 모듈 간 이동에 대한 엔트로피를 계산하고, 전체 코드 길이 L_overlap = q_{↷}H(Q)+∑α p_{α}H(P_{α}) 형태로 표현한다. 여기서 q_{↷}는 모듈 간 전이 확률, H(Q)는 모듈 전이 코드의 엔트로피, p_{α}와 H(P_{α})는 각각 모듈 α 내부 코드의 사용 비율과 엔트로피를 의미한다.

알고리즘 측면에서는 기존의 Greedy Infomap과 유사한 탐색 전략을 사용하지만, 겹침을 허용하기 위해 두 단계의 최적화가 추가된다. 첫 번째 단계는 기존과 동일하게 모듈 병합·분할을 통해 큰 구조를 찾고, 두 번째 단계에서는 각 경계 노드에 대해 P(i,α)를 조정한다. 이때 목표 함수인 L_overlap를 감소시키는 방향으로 작은 증분을 반복 적용한다. 증분은 ‘노드-모듈 할당 비율을 미세하게 이동시키는’ 형태이며, 각 이동은 전체 코드 길이 감소량을 정확히 계산한다. 이러한 그리디 탐색은 다중 시작점과 무작위 순열을 이용해 지역 최적에 빠지는 위험을 완화한다.

실험 결과는 두 가지 상반된 네트워크를 통해 방법론의 유연성을 보여준다. C. elegans 신경망은 비교적 밀집된 연결 구조와 명확한 기능적 구역을 가지고 있어, 최적 해에서는 대부분의 노드가 단일 모듈에 속하고, 겹침 비율은 매우 낮다. 반면, 유럽 도로망은 지리적 제약과 희소한 연결성으로 인해 많은 교차점이 여러 지역 네트워크에 동시에 기여한다. 최적 해에서는 이러한 교차점이 높은 P(i,α) 값을 여러 모듈에 할당받으며, 전체 코드 길이는 겹침을 허용했을 때 크게 감소한다. 이는 흐름 기반 모듈 탐지가 네트워크 종류에 따라 ‘하드’와 ‘소프트’ 경계를 자연스럽게 구분할 수 있음을 시사한다.

이 논문의 주요 기여는 (1) 겹치는 모듈을 정량화하는 정보 이론적 프레임워크, (2) 이를 최소화하는 효율적인 그리디 알고리즘, (3) 실제 네트워크에 적용해 겹침 정도가 네트워크 특성에 따라 크게 달라짐을 실증한 점이다. 특히, 흐름을 기반으로 한 압축 관점은 기존의 정점 기반 커뮤니티 탐지와 차별화되며, 복잡계에서 기능적 다중 소속성을 탐지하는 새로운 도구로 활용될 가능성이 크다.