유사성 끌림을 반영한 새로운 모듈러리티 확장

초록

본 논문은 기존 모듈러리티에서 사용되는 무작위화된 널 모델이 현실 네트워크의 “유사성 끌림” 현상을 반영하지 못한다는 문제점을 지적한다. 저자는 노드 간 유사도에 기반한 연결 확률을 설계한 널 모델을 도입하고, 이를 이용해 Dist‑Modularity라는 새로운 모듈러리티 정의를 제안한다. 이 프레임워크는 노드 속성, 거리, 혹은 임의의 유사도 함수 등을 손쉽게 통합할 수 있으며, 파라미터 조정을 통해 다양한 스케일의 커뮤니티를 탐지한다. 실험 결과, 기존 모듈러리티보다 더 정밀하고 해석 가능한 커뮤니티 구조를 밝혀냈다.

상세 분석

모듈러리티는 관측된 네트워크의 내부 연결 수와 동일한 정도의 연결을 갖는 무작위 네트워크(널 모델) 사이의 차이를 정량화함으로써 커뮤니티 품질을 평가한다. 전통적인 널 모델은 노드의 차수만을 보존하고, 모든 가능한 노드 쌍에 대해 동등한 연결 확률을 부여한다. 이러한 “완전 혼합” 가정은 실제 사회·생물·기술 네트워크에서 흔히 나타나는 ‘유사성 끌림(similarity attraction)’—즉, 비슷한 속성을 가진 노드끼리 연결될 확률이 높아지는 현상을 전혀 반영하지 못한다. 결과적으로 기존 모듈러리티는 속성 기반 혹은 지리적 근접성을 고려한 커뮤니티를 과소평가하거나, 인위적인 해상도 제한 현상을 야기한다.

논문은 이 한계를 극복하기 위해, 두 노드 i와 j 사이의 기대 연결 수 E_{ij}를 단순히 k_i k_j /2m이 아니라, k_i k_j f(d_{ij}) /Z 형태로 정의한다. 여기서 f(·)는 노드 간 유사도 혹은 거리 d_{ij}에 대한 감소 함수이며, Z는 전체 네트워크에 대한 정규화 상수다. f(d)는 가우시안, 역제곱, 혹은 사용자 정의 커널 등 다양한 형태를 취할 수 있어, 네트워크 특성에 맞게 자유롭게 선택한다. 파라미터 σ(또는 β 등)를 조정함으로써 유사성 효과의 강도를 조절하고, 이는 곧 커뮤니티 탐지의 스케일을 변화시킨다.

새롭게 정의된 Dist‑Modularity는
Q_{Dist}= (1/2m) Σ_{ij}