방향성과 차수 생성 블록 모델 비동질 차수 분포 커뮤니티 탐지

초록

이 논문은 기존 확률적 블록 모델(SBM)의 한계를 극복하기 위해, 정점의 차수와 에지 방향 정보를 모두 활용하면서도 커뮤니티 내부의 무거운 꼬리 차수 분포를 허용하는 새로운 블록 모델들을 제안한다. 제안된 모델은 합성 네트워크와 영어 텍스트의 단어 인접 네트워크에서 기존 SBM 및 차수 보정 SBM보다 높은 군집 분류 정확도를 보인다.

상세 분석

본 연구는 네트워크 커뮤니티 탐지 분야에서 두 가지 주요 문제점을 동시에 해결하고자 한다. 첫째, 전통적인 확률적 블록 모델(SBM)은 각 커뮤니티 내에서 포아송형 차수 분포를 가정한다는 점에서, 실제 사회·생물·언어 네트워크가 보이는 멱법칙적 혹은 로그정규형 등 무거운 꼬리의 차수 분포와 크게 괴리된다. 둘째, 차수 보정 블록 모델(degree‑corrected SBM, DCSBM)은 차수를 파라미터로 받아들여 임의의 차수 분포를 모델링할 수 있지만, 차수를 ‘주어진 값’으로 취급하기 때문에 차수 자체를 군집 판별에 활용하지 못한다. 특히, 방향성을 갖는 그래프(예: 인용 네트워크, 텍스트 흐름)에서는 기존 DCSBM이 에지의 방향 정보를 전혀 이용하지 못한다는 한계가 있다.

이를 극복하기 위해 저자들은 두 가지 새로운 모델을 설계한다. 첫 번째는 “Oriented Block Model”(OBM)로, 에지의 방향을 확률적 파라미터에 포함시켜, 각 커뮤니티 쌍마다 서로 다른 방향성 비율을 학습한다. 두 번째는 “Degree‑generated Block Model”(DG‑BM)으로, 정점 차수를 확률적 생성 과정의 일부로 모델링한다. 즉, 각 정점은 사전에 정의된 차수 분포(예: 파워‑law, 로그정규)에서 샘플링된 차수를 갖고, 이 차수가 블록 할당 확률에 영향을 미친다. 두 모델을 결합한 “Oriented Degree‑generated Block Model”(ODG‑BM)은 방향성과 차수 모두를 공동 잠재 변수로 활용한다.

수학적으로는 기존 SBM의 파라미터 행렬 Ω_{rs} (커뮤니티 r과 s 사이의 평균 연결 수)를 확장하여, 방향성 파라미터 η_{rs}와 차수 생성 파라미터 θ_i를 도입한다. 로그우도 함수는 EM(Expectation‑Maximization) 혹은 변분 베이즈 최적화를 통해 최대화되며, 이 과정에서 정점의 사후 커뮤니티 할당 확률 q_i(r)와 파라미터 추정값이 교번적으로 업데이트된다. 특히, 차수 생성 파라미터는 사전 분포를 지정함으로써 베이지안 정규화를 가능하게 하여, 과적합 위험을 감소시킨다.

실험에서는 (1) 파라미터가 알려진 합성 네트워크, (2) 실제 영어 텍스트에서 추출한 단어 인접 네트워크, (3) 방향성을 갖는 소셜 네트워크 등 세 종류의 데이터셋을 사용하였다. 평가 지표는 정답 라벨이 존재하는 경우의 정밀도·재현율·NMI(Normalized Mutual Information)이며, ODG‑BM은 모든 경우에서 기존 SBM과 DCSBM을 능가하였다. 특히, 텍스트 네트워크에서는 단어의 빈도(차수)와 문맥 흐름(방향)이 동시에 반영됨으로써 의미론적 군집(예: 명사군, 동사군)이 더 명확히 구분되었다.

이 논문의 핵심 기여는 다음과 같다. 첫째, 차수를 생성 과정에 포함시켜 “데이터 자체가 모델 파라미터가 된다”는 새로운 관점을 제시했다. 둘째, 방향성을 명시적으로 모델링함으로써 비대칭 관계를 가진 네트워크에서도 효과적인 커뮤니티 탐지가 가능하도록 했다. 셋째, 베이지안 프레임워크 내에서 차수와 방향성을 동시에 추정함으로써, 기존 모델이 놓치던 정보들을 활용해 분류 정확도를 실질적으로 향상시켰다. 향후 연구에서는 다중 레이어(멀티플렉스) 네트워크와 시간에 따라 변하는 동적 네트워크에 이 모델을 확장하는 것이 자연스러운 방향일 것으로 보인다.