무파라미터 부트스트랩을 이용한 랜덤워크 기반 스펙트럴 커뮤니티 탐지 향상

본 논문은 복잡 네트워크에서 커뮤니티(모듈) 구조를 탐지하는 과정에서 발생하는 통계적 불확실성을 해결하고자, 그래프의 전이행렬 P (무편향 랜덤워크의 전이 확률 행렬)를 비모수 부트스트랩 방식으로 재표본화하는 새로운 프레임워크를 제시한다. 기존의 파라메트릭 부트스트랩은 사전에 정의된 모델(예: 차수 보존 재배선) 가정을 필요로 하여, 실제 네트워크가 해당 모델에 부합하지 않을 경우 편향된 결과를 초래할 위험이 있었다. 이에 저자들은 관측된 단일 그래프 자체를 출발점으로 삼아, 전이행렬의 각 행을 다항분포에서 샘플링함으로써 복제본 P^{*}_b (b=1…B)를 생성한다. 이 과정은 각 노드의 전체 전이 횟수를 보존하면서도 전이 확률의 변동성을 자연스럽게 반영한다. 복제된 전이행렬 각각에 대해 고유값·고유벡터를 계산하고, 상위 β 개의 비자명 고유벡터만을 사용해 저차원 임베딩 R^β 을 만든다. 이 임베딩에서 두 노드 i, j 사이의 유클리드 거리를 d^{*}_{ij}(b) 로 정의하고, 모든 복제본에 대해 거리 행렬을 평균화하여 \(\bar{D}= \frac{1}{B}\sum_{b=1}^{B} D^{*}_b\) 를 얻는다. 평균 거리 행렬 \(\bar{D}\)는 “중심 경향”을 반영한 안정적인 거리 척도로, 단일 그래프에서 추출한 거리 행렬 D와 비교했을 때 노이즈에 덜 민감하고, 복제 전체에 걸친 구조적 일관성을 강조한다. \(\bar{D}\)를 입력으로 계층적 군집화(예: 평균 연결법)를 수행하면 덴드로그램 H가 생성된다. 이 덴드로그램에서 모듈러티 Q 또는 다른 품질 함수를 최대화하는 수평 절단을 선택함으로써 최종 커뮤니티 분할을 얻는다. 중요한 점은, 부트스트랩 기반 클러스터링이 모듈러티에 의존하지 않으며, 임의의 품질 함수와 결합 가능하다는 점이다. 실험은 두 종류의 합성 네트워크와 하나의 실세계 네트워크에 대해 수행되었다. 첫 번째는 Girvan–Newman(GN) 모델(N=128, 4개의 동등한 모듈)로, 내부 연결 확률 p_in 과 외부 연결 확률 p_out 을 조절해 혼합 파라미터 μ (0~0.5)을 변화시켰다. 두 번째는 Lancichinetti–Fortunato–Radicchi(LFR) 모델로, 스케일프리 차수 분포(γ=2)와 모듈 크기 분포(η=1)를 갖으며, N=500(평균 차수 7)과 N=2000(평균 차수 28) 두 규모의 네트워크를 생성하였다. 각 실험에서 100번(또는 50번)의 독립 실행과, 각 실행당 100~200개의 부트스트랩 복제본을 사용하였다. 성능 평가는 변이 정보(VI)와 모듈러티(Q)로 측정하였다. GN 네트워크에서는 부트스트랩 기반 방법이 기존 모듈러티 최적화와 거의 동일한 정확도를 보였으며, μ가 0.5에 가까워질수록 커뮤니티 구조가 약해져도 VI가 비교적 낮게 유지되었다. LFR 네트워크에서는 특히 β=1(저차원 임베딩)에서도 표준 스펙트럴 클러스터링보다 현저히 낮은 VI와 높은 Q를 기록했으며, μ가 0.6까지도 강인한 성능을 유지하였다. 이는 비모수 부트스트랩이 복잡하고 이질적인 네트워크 구조에서도 효과적으로 노이즈를 억제한다는 것을 의미한다. 실제 데이터인 Zachary 카라테 클럽 네트워크에 적용했을 때, 부트스트랩 기반 알고리즘은 3개의 주요 모듈과 작은 인터페이스 모듈(노드 {3,9,10,31})을 찾아냈으며, 모듈러티 Q=0.389를 달성하였다. 부트스트랩 복제본 간 VI 분포는 매우 좁았으며, 이는 얻어진 분할이 복제 전체에 걸쳐 일관됨을 보여준다. 또한, 부트스트랩 기반 거리 행렬을 사용한 경우와 전통적인 모듈러티 최적화 결과 사이의 VI 차이는 0.952로, 전자는 후자보다 훨씬 더 안정적인 커뮤니티 구조를 포착한다는 것을 시사한다. 논문의 주요 기여는 다음과 같다. (1) 전이행렬을 직접 재표본화함으로써 그래프 구조의 내재적 변동성을 데이터 자체에서 추정한다. (2) 복제본들의 평균 거리 행렬을 이용해 스펙트럴 임베딩의 불안정성을 보완하고, 노이즈에 강인한 커뮤니티 분할을 얻는다. (3) 비모수 접근법이므로 사전 모델 가정이 필요 없으며, 다양한 네트워크 유형에 일반화 가능하다. (4) 실험을 통해 제안 기법이 기존 스펙트럴 및 모듈러티 기반 방법보다 일관된 성능 향상을 제공함을 입증한다. 다만, 고유값 분해와 다중 부트스트랩 복제본 생성이 계산 비용을 증가시킬 수 있어, 대규모 네트워크에 대한 효율적 구현 및 병렬화가 향후 연구 과제로 남는다.