지역·장거리 연결을 이용한 커뮤니티 탐지 셀룰러 오토마톤

초록

본 논문은 인간의 휴리스틱을 모방한 정보 확산‑경쟁 메커니즘을 셀룰러 오토마톤 형태로 구현하여, 로컬 연결과 일부 장거리 재배선이 섞인 네트워크에서 계층적 커뮤니티 구조를 자동으로 식별하는 방법을 제시한다. 메모리 파라미터와 경쟁 지수 두 개의 자유 변수를 조정함으로써 노드마다 자신이 속한 커뮤니티에 대한 확률적 지식을 형성하고, 엔트로피 변화를 통해 그룹·커뮤니티 수준을 구분한다. 실험은 인공 그래프와 실제 Zachary 카라테 클럽·돌고래 사회 네트워크에 적용했으며, GN 벤치마크에서 기존 알고리즘과 동등하거나 우수한 NMI 성능을 보였다.

상세 분석

이 연구는 두 단계의 동적 과정을 셀룰러 오토마톤 규칙으로 결합한다. 첫 번째 단계는 인접 행렬을 정규화한 마코프 전이 행렬 M을 이용한 확산 과정이며, 여기서 메모리 파라미터 m(0≤m≤1)은 과거 정보의 감쇠 정도를 조절한다. 두 번째 단계는 “가장 좋은 것 선택” 휴리스틱을 수학적으로 구현한 경쟁 과정으로, 각 노드 i의 상태 벡터 S_i는 확산 후 값에 거듭제곱 α(α>1)를 적용하고 정규화한다. 이 비선형 변환은 확률 분포를 가장 큰 성분으로 수렴시키는 효과가 있어, 결국 각 노드는 자신이 가장 강하게 연관된 커뮤니티 라벨을 독점하게 된다.

알고리즘의 핵심 자유 변수는 m과 α이다. m이 작을수록 최신 정보가 강조되어 빠른 전파가 이루어지고, α가 클수록 경쟁이 강해져 라벨이 급격히 수렴한다. 저자들은 다양한 m값을 스캔하면서 엔트로피 H=−∑_j P_j log P_j 를 계산하고, exp(H)를 통해 현재 네트워크가 전체(N), 그룹 수준(N/G), 커뮤니티 수준(N/GC), 단일 커뮤니티(1) 중 어느 수준에 머무는지를 시각화한다.

실험 설계는 K-근접 로컬 연결을 기본으로 하여, 각 링크를 확률 p_r 로 재배선하고, 재배선된 링크가 같은 커뮤니티(p_c), 같은 그룹(p_g) 혹은 완전 무작위(1−p_c)(1−p_g)로 연결될 확률을 조절한다. 이를 통해 3계층(노드‑커뮤니티‑그룹) 구조를 가진 인공 네트워크를 생성하고, m과 α 변화에 따른 exp(H) 곡선을 관찰했다. 결과는 m이 증가함에 따라 초기 로컬 클러스터링에서 시작해 그룹 수준, 커뮤니티 수준, 최종적으로 전체 하나의 커뮤니티로 전이하는 단계적 플래토를 보여준다.

또한 실제 데이터에 적용했을 때, Zachary 카라테 클럽 네트워크에서는 4개의 주요 커뮤니티와 겹치는 노드들을 정확히 식별했으며, 돌고래 사회 네트워크에서는 2개의 주요 커뮤니티와 7개의 겹치는 노드를 찾아냈다. GN 벤치마크에서는 혼합 파라미터 μ가 0.35 이하일 때 4개의 사전 정의된 커뮤니티를 완벽히 복원했으며, 이는 Infomap, MCL, Infomod 등 기존 대표 알고리즘과 비교해 동등하거나 더 높은 NMI 값을 기록했다.

이 알고리즘의 장점은 전역 그래프 정보를 필요로 하지 않고, 각 노드가 로컬 이웃과 제한된 메모리만으로도 전역적인 커뮤니티 구조를 추론할 수 있다는 점이다. 또한 셀룰러 오토마톤 형태이므로 병렬 구현이 용이하고, 메모리 요구량이 O(N) 수준에 머무른다. 다만 α와 m의 적절한 튜닝이 필요하며, 매우 높은 재배선 비율이나 불균형한 그룹 크기에서는 수렴 속도가 느려질 수 있다.