그래프 군집 품질 함수를 위한 공리 체계

본 연구는 그래프 기반 군집(커뮤니티) 탐지에서 사용되는 품질 함수에 대한 이론적 기반을 마련하고자 한다. 먼저, 그래프 군집 품질 함수를 “그래프와 해당 클러스터링을 입력으로 받아 실수 점수를 출력하는 함수”로 정의하고, 이러한 함수가 만족해야 할 여섯 가지 공리를 제시한다. 기존 클러스터링 이론에서 제시된 네 가지 공리(퍼뮤테이션 불변성, 스케일 불변성, 풍부성, 단조성)를 그래프 환경에 맞게 재해석하고, 그래프 특유의 “지역성”이라는 추가 공리를 도입한다. 1. **퍼뮤테이션 불변성**: 그래프의 노드 라벨을 임의의 동형 사상으로 바꾸어도 품질 점수는 변하지 않는다. 이는 함수가 그래프 구조 자체에만 의존함을 보장한다. 2. **스케일 불변성**: 모든 엣지 가중치를 동일 비율 α로 곱했을 때, 두 클러스터링 간의 순위 관계가 유지되어야 한다. 이는 단순히 점수값이 변하는 것이 아니라, 비교 결과가 보존되는 것을 의미한다. 3. **풍부성**: 임의의 비자명 파티션 C*에 대해, 적절히 가중치를 조정한 그래프 G를 만들면 C*가 Q‑최적 클러스터링이 될 수 있다. 이는 품질 함수가 특정 구조에 편향되지 않음을 의미한다. 4. **단조성(일관된 개선)**: 같은 클러스터 내의 엣지 가중치를 증가시키고, 클러스터 간 엣지 가중치를 감소시킨 그래프 G'에 대해 Q(G',C) ≥ Q(G,C) 가 성립해야 한다. 이는 직관적으로 “클러스터 내부는 강하고 외부는 약할수록 품질이 높아진다”는 기대와 일치한다. 5. **지역성**: 두 그래프 G1, G2가 어떤 노드 집합 Va와 그 이웃에 대해 동일한 가중치를 가질 때, Va 내부의 클러스터링 선택이 다른 부분에 영향을 미치지 않아야 한다. 즉, Va와 겹치지 않는 부분을 어떻게 구성하든 Va에 대한 클러스터링 순위는 변하지 않는다. 이는 대규모 네트워크에서 부분적인 변형이 전체 군집 결과에 과도하게 영향을 주는 것을 방지한다. 이러한 공리를 바탕으로, 저자들은 대표적인 품질 함수인 **모듈러티(Modularity)** 가 단조성 및 지역성 두 축에서 위배됨을 증명한다. 구체적으로, 모듈러티는 클러스터 내부 엣지 가중치를 크게 늘려도 점수가 감소하거나, 외부에 무관한 노드를 추가했을 때 기존 클러스터링이 바뀌는 사례가 존재한다. 이는 모듈러티가 “해상도 제한”(resolution limit) 문제와 연관된 근본적인 한계를 가지고 있음을 시사한다. 이를 극복하기 위해 논문은 **Adaptive Scale Modularity (ASM)** 라는 새로운 품질 함수군을 제안한다. ASM은 두 파라미터 M (스케일)과 γ (해상도 조절)를 도입하여 다음과 같이 정의된다: \