네트워크 가중치 전략을 통한 커뮤니티 탐지 향상

초록

본 논문은 무작위 제한 길이 워크(k‑path)를 이용해 각 간선의 중심성을 측정하고, 이를 가중치로 부여한 뒤 기존 커뮤니티 탐지 알고리즘에 적용함으로써 탐지 정확도를 크게 향상시키는 방법을 제안한다. 제안 기법은 선형에 가까운 시간 복잡도로 대규모 네트워크에도 적용 가능하며, 실험을 통해 모듈러티와 NMI 지표가 현저히 개선됨을 보였다.

상세 분석

이 연구는 커뮤니티 탐지의 핵심 과제인 “네트워크 규모와 복잡도에 대한 확장성”을 해결하기 위해 ‘κ‑path edge centrality’를 정의하고, 이를 근사적으로 계산하는 WERW‑Kpath 알고리즘을 제시한다. κ‑path centrality는 길이가 κ 이하인 무작위 워크에서 특정 간선이 선택된 빈도를 누적한 값으로, 짧은 경로를 통한 정보 전파에 기여하는 정도를 정량화한다. 기존의 베트윈니스와 같은 전역 중심성 지표는 전체 그래프를 탐색해야 하므로 O(|V|·|E|) 이상의 비용이 소요되지만, WERW‑Kpath은 각 워크가 최대 κ 단계만 진행되도록 제한하고, 간선은 한 번만 선택하도록 함으로써 O(κ·|E|)의 거의 선형 시간 복잡도를 달성한다. 이론적으로는 실제 중심값과의 오차가 1/|E| 이하임을 증명했으며, 실험적으로도 높은 정확도를 확인했다.

가중치 부여 후에는 Louvain, COPRA, OSLOM 등 세 가지 대표적인 커뮤니티 탐지 알고리즘에 그대로 적용한다. 가중치가 반영된 그래프는 내부 연결이 강한 커뮤니티 내 간선이 높은 가중치를 갖게 되므로, 모듈러티 Q를 최적화하는 과정에서 작은 규모의 커뮤니티가 대규모 커뮤니티에 흡수되는 ‘해상도 제한’ 문제를 완화한다. 실제 페이스북 데이터(613 497 노드, 2 045 030 간선)와 LFR 벤치마크 인공 네트워크 72개에 대한 실험 결과, 모듈러티는 최대 16 % 상승하고, 정규화된 상호 정보(NMI) 역시 유의미하게 개선되었다. 특히, 기존 방법이 놓치기 쉬운 작은 커뮤니티를 정확히 복원하는 데 큰 효과를 보였다.

이와 같이 제안된 사전 가중치 단계는 기존 탐지 알고리즘의 구조를 변경하지 않으면서도 성능을 크게 끌어올릴 수 있는 ‘메타‑알고리즘’ 역할을 수행한다. 또한, 무작위 워크 기반이므로 전체 그래프를 메모리에 적재할 필요가 없으며, 분산 환경에서도 손쉽게 확장이 가능하다는 실용적 장점이 있다.