공격·방어 라벨 전파로 네트워크 커뮤니티 탐색

초록

라벨 전파는 빠른 커뮤니티 탐지 기법으로 알려져 있다. 본 논문은 커뮤니티 형성 방식을 ‘방어적 보존’과 ‘공격적 확장’ 두 가지 전략으로 구분하고, 각각을 구현한 라벨 전파 알고리즘을 제안한다. 이후 두 전략을 결합한 고급 라벨 전파 알고리즘을 설계하고, 대규모 네트워크에 적합하도록 계층적 커뮤니티 추출 기법을 추가하였다. 다양한 인공 벤치마크와 30여 개 실세계 네트워크에 대한 실험 결과, 네트워크의 위상적 특성에 따라 방어형 또는 공격형 전략이 더 유리함을 확인했으며, 결합 알고리즘이 전반적으로 높은 정확도와 안정성을 보였다.

상세 분석

라벨 전파(Label Propagation, LP)는 초기 라벨을 무작위로 할당한 뒤, 각 노드가 이웃 라벨의 다수결에 따라 라벨을 업데이트하는 단순하면서도 O(m) 시간 복잡도를 갖는 알고리즘이다. 기존 LP는 빠르지만 초기 라벨에 민감하고, 결과가 불안정하며, 복잡한 위상 구조를 충분히 반영하지 못한다는 한계가 있다. 이를 보완하기 위해 본 논문은 두 가지 상반된 커뮤니티 형성 메커니즘을 도입한다. 첫 번째는 ‘방어적 보존(Defensive Preservation)’ 전략으로, 이미 형성된 커뮤니티 내부의 라벨을 강하게 유지하도록 가중치를 부여한다. 구체적으로, 노드의 내부 연결 강도와 커뮤니티 내 밀집도를 이용해 라벨 전파 확률을 조정함으로써, 작은 커뮤니티가 큰 커뮤니티에 흡수되는 현상을 억제한다. 두 번째는 ‘공격적 확장(Offensive Expansion)’ 전략으로, 라벨이 주변으로 퍼져 나가면서 새로운 노드를 적극적으로 포함하도록 설계한다. 여기서는 이웃 라벨의 총합을 기준으로 라벨 전파를 진행하며, 고도로 연결된 허브 노드가 주변을 빠르게 장악하도록 유도한다. 두 전략은 각각 ‘보존 중심’과 ‘확장 중심’이라는 상반된 목표를 갖지만, 실제 네트워크에서는 지역적 밀도, 계층 구조, 스케일‑프리 특성 등에 따라 어느 쪽이 더 적합한지가 달라진다. 논문은 이러한 차이를 정량화하기 위해 라벨 전파 과정에 동적 가중치 함수를 삽입하고, 라벨 업데이트 순서를 무작위가 아닌 노드의 중심성 순서에 따라 조정한다. 또한, 방어·공격 전략을 순차적으로 적용하거나, 두 전략을 동시에 혼합하는 ‘통합 라벨 전파(Combined LP)’ 알고리즘을 제안한다. 통합 알고리즘은 초기 단계에서 공격적 확장을 통해 큰 스켈레톤 커뮤니티를 형성하고, 후반부에 방어적 보존을 적용해 세부 구조를 정교화한다. 이를 위해 알고리즘은 자동으로 전파 단계 전환 시점을 감지하는 적응형 스위칭 메커니즘을 포함한다. 대규모 네트워크에 적용하기 위해 계층적 커뮤니티 추출(Hierarchical Extraction) 절차를 도입했는데, 이는 초기 라벨 전파 결과를 메타‑노드로 압축하고, 압축된 그래프에 다시 라벨 전파를 수행함으로써 다중 스케일의 커뮤니티를 순차적으로 탐색한다. 실험에서는 LFR 벤치마크와 실제 소셜, 생물학, 인프라 네트워크 30여 개를 대상으로 정밀도, 재현율, NMI, 실행 시간 등을 평가했으며, 방어·공격 각각의 단일 전략보다 통합 전략이 전반적으로 높은 NMI와 낮은 변동성을 보였다. 특히, 높은 모듈러티와 비균등한 커뮤니티 크기를 가진 네트워크에서는 방어적 보존이, 반대로 낮은 모듈러티와 강한 허브 중심성을 가진 네트워크에서는 공격적 확장이 우수한 성능을 나타냈다. 이러한 결과는 네트워크 토폴로지가 커뮤니티 탐지 전략 선택에 결정적인 영향을 미친다는 가설을 실증적으로 뒷받침한다.