통계적 블록 모델을 최소절단으로 변환한 빠른 커뮤니티 탐지

초록

본 논문은 널리 사용되는 두 가지 확률적 블록 모델(표준 SBM와 degree‑corrected SBM)을 최소절단 그래프 분할 문제에 직접 매핑한다. 이를 통해 기존의 풍부한 그래프 파티셔닝 알고리즘, 특히 라플라시안 스펙트럴 방법을 활용해 커뮤니티 추정을 수행한다. 실험 결과, 합성 및 실제 네트워크에서 정확도와 실행 시간이 최첨단 방법과 경쟁함을 보인다.

상세 분석

논문은 먼저 두 커뮤니티로 구성된 확률적 블록 모델(SBM)의 로그우도 함수를 전개한다. 파라미터 ω_in, ω_out을 고정한 뒤 그룹 레이블 g_i 를 최적화하면 로그우도 L은 –m_out + γ n₁n₂ 형태가 된다. 여기서 m_out은 두 그룹 사이의 절단(edge cut) 크기이며, γ는 ω_in, ω_out 에 의해 정의되는 양의 상수이다. 즉, 로그우도 최대화는 절단 크기를 최소화하면서 그룹 크기의 곱을 보상하는 문제와 동등하다. γ 를 미리 알 수 없으므로, 모든 가능한 그룹 크기 n₁(0…n) 에 대해 고정하고 절단 최소화만 수행한다. 이는 전통적인 최소절단(min‑cut) 문제와 동일하며, 라플라시안의 두 번째 고유벡터(Fiedler vector)를 이용한 스펙트럴 파티셔닝으로 효율적으로 해결할 수 있다. 스펙트럴 방법은 한 번의 고유값 계산으로 n+1개의 후보 분할을 얻고, 각 후보에 대해 프로파일 우도(Q)를 평가해 최적 해를 선택한다.

다음으로 degree‑corrected SBM을 고려한다. 여기서는 기대 엣지 수를 k_i k_j ω_ij 로 확장해 각 정점의 차수를 반영한다. 로그우도는 –m_out + γ κ₁κ₂ 로 변형되며, κ₁, κ₂ 는 각각 두 그룹의 차수 합이다. 동일한 고정‑크기 전략을 적용하면 일반화된 최소절단 문제가 등장하고, 라플라시안 대신 일반화 고유문제 L v = λ D v (D는 차수 대각행렬)를 풀어 스펙트럴 근사를 얻는다.

알고리즘의 시간 복잡도는 라플라시안 고유값 계산에 지배되며, 희소 그래프에서는 O(m log n) 수준이다. 실험에서는 n=10 000 규모의 합성 네트워크와 Zachary 카레트 클럽, 정치 블로그 네트워크에 적용했으며, 커뮤니티 강도가 감지 가능 임계값 위에 있을 때 거의 완벽한 복구율을 보였다. 감지 불가능 영역에서는 기존 방법과 마찬가지로 성능이 급격히 저하되지만, 전체 파라미터 범위에서 정확도와 속도 모두 최신 메서드와 동등하거나 우수했다.

이러한 결과는 복잡한 베이지안 추론을 전통적인 그래프 파티셔닝 프레임워크로 전환함으로써, 풍부한 기존 툴을 그대로 활용할 수 있음을 보여준다. 특히, 최소절단 기반 접근은 전역 최적을 보장하지 않지만, 스펙트럴 근사와 프로파일 우도 검증을 결합하면 실용적인 수준에서 매우 높은 품질의 커뮤니티 분할을 얻을 수 있다.