비대칭 네트워크를 위한 공리 기반 계층 군집화

본 논문은 방향성 이질성을 갖는 네트워크, 즉 각 노드 쌍에 대해 두 개의 서로 다른 비대칭 거리(디시미러리티)가 존재하는 경우에 대한 계층적 군집화 이론을 체계적으로 구축한다. 연구는 크게 네 부분으로 나뉜다. 첫 번째는 ‘값 공리(A1)’와 ‘변환 공리(A2)’라는 두 기본 공리를 정의하고, 이를 만족하는 방법을 ‘admissible’라 명명한다. 값 공리는 두 노드만 있는 네트워크에서 두 노드가 처음으로 같은 클러스터에 포함되는 해상도를 두 방향 간 거리의 최대값으로 정한다. 이는 양방향으로 서로 영향을 주고받을 수 있는 최소 조건을 의미한다. 변환 공리는 모든 간선 가중치가 감소(또는 유지)될 때 기존 클러스터가 사라지지 않으며, 새로운 클러스터가 추가될 수 있음을 보장한다. 이 두 공리는 비대칭 데이터에 대한 군집화 방법을 제한하는 핵심 원칙이다. 두 번째는 이 공리를 만족하는 구체적인 군집화 방법들을 제시한다. ‘상호호환 군집(recursive clustering)’은 각 간선의 비용을 양방향 거리의 최대값으로 정의하고, 주어진 해상도 이하의 비용을 갖는 체인(연결 경로)이 존재하면 두 노드를 같은 클러스터에 포함한다. 이는 양방향으로 강한 연결이 필요하므로 보수적인 군집을 만든다. 반면 ‘비상호호환 군집(non‑reciprocal clustering)’은 방향성을 따로 고려해, 양방향 모두에서 해상도 이하의 비용을 갖는 체인이 존재하면 클러스터링한다. 이는 순환 구조나 일방향 흐름을 허용해 보다 포괄적인 군집을 만든다. 논문은 모든 admissible 방법이 이 두 방법 사이에 위치한다는 ‘상하한 정리’를 증명한다. 즉, 어떤 admissible 방법도 비상호호환 군집보다 늦게, 상호호환 군집보다 빠르게 클러스터를 형성한다. 대칭 네트워크에서는 두 방법이 동일하게 동작해 전통적인 single‑linkage와 일치함을 확인한다. 세 번째는 비대칭 결과 자체를 보존하는 ‘quasi‑clustering’ 개념을 도입한다. 등가 관계의 대칭성을 포기하고, 반사성·전이성만을 만족하는 ‘quasi‑equivalence’ 관계를 정의한다. 이를 기반으로 ‘quasi‑partition’, ‘quasi‑dendrogram’, ‘quasi‑ultrametric’이라는 비대칭 계층 구조를 제시한다. 동일한 값·변환 공리를 적용했을 때, 유일한 admissible quasi‑clustering 방법이 ‘directed single‑linkage’라는 형태로 도출된다. 이는 비대칭 네트워크에서 방향성을 유지하면서도 군집화를 일관되게 수행할 수 있게 한다. 네 번째는 대안 공리 체계에 대한 탐구이다. 값 공리를 최소값(min)으로 바꾸는 A1′를 도입하면, ‘unilateral clustering’이라는 단일 방법이 유일하게 admissible함을 증명한다. 이는 일방향으로만 가까운 경우에도 군집을 허용한다. 또한 최소와 최대 사이의 임의 값을 허용하는 ‘agnostic’ 공리 체계도 논의되며, 이 경우에도 결과는 unilateral과 reciprocal 사이에 위치한다. 알고리즘적으로는 최소‑최대 디오이드(min‑max dioid) 대수를 이용해 행렬 거듭제곱을 수행한다. 이 연산은 (i,j) 원소가 길이 ≤n인 모든 경로 중 최대 간선 가중치의 최소값을 반환하므로, reciprocal 및 non‑reciprocal 군집화에 필요한 최소‑최대 체인 비용을 효율적으로 계산한다. 복잡도는 O(n³·log k) 수준이며, 대규모 네트워크에도 적용 가능하다. 안정성 분석에서는 입력 행렬에 작은 변동이 가해질 때 출력 dendrogram이 작은 변동만을 보이는 Lipschitz 연속성을 증명한다. 이는 실제 데이터에 대한 견고성을 보장한다. 마지막으로 미국 주간 인구 이동 네트워크와 산업 부문 상호작용 네트워크에 적용해, 서로 다른 군집화 방법이 어떻게 다른 구조를 드러내는지 실증적으로 보여준다. 비상호호환 군집은 순환 이동 패턴을 포착해 큰 지역 클러스터를 형성하고, 상호호환 군집은 강한 양방향 이동이 있는 지역만을 묶는다. quasi‑clustering은 방향성을 유지한 채 클러스터 간 영향 관계를 시각화한다. 이러한 사례는 제안된 이론과 알고리즘이 비대칭 데이터 분석에 실용적이며, 다양한 분야(교통, 경제, 사회 네트워크 등)에서 활용될 수 있음을 시사한다.