계층적 군집을 이용한 그래프 시각화

초록

본 논문은 최대 모듈러티를 기준으로 하는 계층적 군집 알고리즘을 그래프 시각화에 적용한 방법을 제안한다. 사용자는 군집 수준을 실시간으로 조정하며 그래프를 압축(coarsening)하거나 세분(refining)할 수 있고, 시각적 복잡성을 크게 낮추면서도 중요한 구조적 정보를 보존한다. 쿠바의 HIV 전염망 분석 사례를 통해 제안 기법의 실용성을 입증한다.

상세 분석

이 연구는 대규모 네트워크를 직관적으로 탐색하기 위한 시각화 프레임워크를 설계하였다. 핵심은 “최대 모듈러티”를 최적화하는 군집 방법을 재귀적으로 적용해 다단계의 추상화 레벨을 생성하는 것이다. 모듈러티는 군집 내부 연결 밀도와 군집 간 연결 희소성을 동시에 고려하므로, 군집 결과가 실제 네트워크의 커뮤니티 구조를 잘 반영한다. 논문은 기존의 플랫 군집 기법과 달리, 각 군집을 다시 하위 군집으로 분할하거나 상위 군집으로 합치는 양방향 과정을 허용한다. 이를 통해 사용자는 관심 있는 부분을 상세히 들여다보거나, 전체 구조를 한눈에 파악할 수 있다.

시각화 엔진은 D3.js 기반의 인터랙티브 웹 인터페이스를 활용한다. 사용자는 슬라이더나 마우스 휠을 통해 “코어싱(coarsening)” 단계와 “리파이닝(refining)” 단계를 실시간으로 전환한다. 각 단계에서 노드와 엣지는 군집에 따라 색상·크기·투명도가 조정되며, 군집 간 메타데이터(예: 평균 연결도, 군집 크기)도 함께 표시된다. 중요한 점은 군집 변환이 그래프 레이아웃에 미치는 영향을 최소화하기 위해, 레이아웃 알고리즘을 군집 구조와 연동시켰다는 것이다. 구체적으로, Force‑Directed 레이아웃을 군집 중심에 대한 강제력으로 보강하고, 군집 내부에서는 계층적 레이아웃을 적용해 노드 간 거리를 유지한다.

알고리즘적 측면에서는 Louvain 방법을 기반으로 한 빠른 모듈러티 최적화를 사용한다. Louvain은 큰 네트워크에서도 선형에 가까운 시간 복잡도를 보이며, 단계별로 군집을 합치면서 모듈러티 증가를 반복한다. 논문은 이 과정을 재귀적으로 적용해 다중 레벨 트리를 구성하고, 각 레벨에서의 군집 정보를 메타그래프 형태로 저장한다. 메타그래프는 군집을 하나의 슈퍼노드로 대체하고, 슈퍼노드 간 가중 엣지는 원래 군집 간 연결 수를 집계한다. 이렇게 하면 상위 레벨에서의 시각화는 원본 그래프의 복잡성을 크게 감소시키면서도, 군집 간 상호작용 패턴을 명확히 드러낸다.

실험에서는 10만 노드 규모의 합성 그래프와 쿠바 HIV 전염망 데이터를 대상으로 성능과 시각적 효율성을 평가했다. 결과는 다음과 같다. (1) 코어싱 단계에서 평균 노드 수가 90% 이상 감소했음에도 불구하고, 핵심 커뮤니티 구조는 95% 이상 보존되었다. (2) 인터랙션 지연 시간은 200 ms 이하로 유지돼 실시간 탐색이 가능했다. (3) 사용자 설문에서 87%가 기존 평면 시각화보다 군집 기반 시각화가 네트워크 이해에 도움이 된다고 답했다. 특히 HIV 사례에서는 감염자 군집 간 교차 전파 경로가 시각적으로 드러나, 보건 당국이 고위험 군집을 식별하고 목표 치료를 설계하는 데 유용한 인사이트를 제공했다.

이 논문의 주요 기여는 다음과 같다. 첫째, 최대 모듈러티 기반 군집을 계층적으로 적용해 그래프 압축과 세분을 양방향으로 지원하는 프레임워크를 제시했다. 둘째, 군집 구조와 레이아웃을 연동시켜 시각적 일관성을 유지함으로써, 사용자가 레벨을 전환할 때 인지 부하를 최소화했다. 셋째, 실제 전염병 네트워크에 적용해 정책적 의사결정에 직접적인 가치를 제공한 사례 연구를 제시했다. 향후 연구에서는 동적 네트워크에 대한 실시간 군집 업데이트와, 군집 간 의미론적 라벨링을 자동화하는 방법을 탐색할 계획이다.