스피커리스너 라벨 전파로 겹침 커뮤니티 탐지

초록

SLPA는 노드가 다중 라벨을 기억하도록 하여, 스피커‑리스너 역학을 통해 라벨을 교환한다. 비동기 업데이트와 메모리 기반 확률 선택을 결합해 겹침 노드와 커뮤니티를 정확히 식별하며, LFR 합성 데이터와 실제 소셜 네트워크에서 기존 방법보다 높은 F‑score와 NMI를 달성한다.

상세 분석

본 논문은 전통적인 라벨 전파 알고리즘(LPA)의 한계를 극복하기 위해, 각 노드가 하나가 아닌 다중 라벨을 보유하고 과거에 관찰된 라벨의 빈도에 비례해 선택·전파하는 “Speaker‑Listener Label Propagation Algorithm (SLPA)”를 제안한다. 핵심 아이디어는 인간의 대화 과정을 모방한 스피커‑리스너 역할 전환이다. 매 반복(iteration)에서 무작위로 선택된 리스너가 이웃 스피커들로부터 하나씩 라벨을 받아오고, 리스너는 가장 빈도가 높은 라벨을 자신의 메모리에 추가한다. 라벨 선택은 스피커가 자신의 메모리에서 빈도 비례 확률로 라벨을 뽑는 “speaker rule”, 리스너가 수신 라벨 중 다수결 혹은 빈도 최대 라벨을 선택하는 “listener rule”으로 구현된다.

SLPA는 두 가지 중요한 설계 선택을 갖는다. 첫째, 노드 메모리는 고정된 크기 T(반복 횟수)만큼 라벨을 누적한다. 이는 전통 LPA가 매 단계마다 라벨을 완전히 교체하는 것과 달리, 과거 정보를 보존함으로써 라벨 전파의 안정성을 높인다. 둘째, 비동기 업데이트 방식을 채택해, 현재 단계에서 이미 업데이트된 이웃의 메모리를 즉시 활용한다. 이는 동기식 LPA에서 발생할 수 있는 “fragmentation” 현상을 완화한다.

정지 기준은 단순히 최대 반복 횟수 T에 도달하는 것으로 설정했으며, 실험에서는 T≥20이면 결과가 수렴한다는 경험적 근거를 제시한다. 후처리 단계에서는 각 노드 메모리를 라벨 빈도 분포로 변환하고, 사전 정의된 임계값 r을 이용해 낮은 확률 라벨을 제거한다. 남은 라벨에 대해 연결된 노드들을 묶어 커뮤니티를 형성하고, 중첩된 커뮤니티는 제거해 최종적으로 최대(맥시멀) 커뮤니티 집합을 얻는다.

복잡도 분석에 따르면 초기화 O(n), 메인 루프는 O(T·m) (희소 그래프에서는 O(T·n))이며, 후처리 역시 O(T·n)이다. 실험적으로는 n이 5만까지 확장해도 선형에 가까운 실행 시간을 보였다.

성능 평가에서는 LFR 벤치마크(노드 5 000, 평균 차수 10, 혼합 파라미터 μ=0.10.3, 겹침 정도 O_m=28)를 사용해 기존 알고리즘(CFinder, Copra, LFM)과 비교했다. 겹침 노드 식별에서는 F‑score가 가장 높았으며, 특히 O_m이 증가할수록 SLPA의 정확도가 오히려 상승하는 반면 다른 방법은 성능이 감소한다. 커뮤니티 전체 품질 측면에서는 확장된 NMI 지표에서 SLPA가 가장 높은 값을 기록했다. 실제 소셜 네트워크(karate, dolphins, lesmis 등)에서도 SLPA는 높은 정밀도와 재현율을 유지하며, 특히 다중 소속이 빈번한 네트워크에서 강인한 성능을 보였다.

이러한 결과는 SLPA가 라벨을 확률적으로 선택하고 메모리를 누적함으로써, 네트워크 구조에 내재된 겹침 정보를 효과적으로 추출한다는 점을 시사한다. 또한, 파라미터 r(후처리 임계값)과 T(반복 횟수)만 적절히 설정하면, 복잡한 실세계 네트워크에서도 안정적인 겹침 커뮤니티 탐지가 가능함을 입증한다.