노드 순서 최적화로 라벨 전파와 모듈러리티 기반 군집화 성능 향상

초록

**
본 논문은 비스펙트럼 군집화 기법인 라벨 전파(LP)와 모듈러리티 기반 다단계 알고리즘에 대해, 노드를 중앙성 측정값에 따라 낮은 순서에서 높은 순서로 방문하도록 정렬하면 군집 품질(모듈러티)이 크게 개선된다는 것을 실험적으로 입증한다. 특히 betweenness와 closeness 중앙성을 이용한 정렬이 가장 큰 이득을 보이며, betweenness에 상대적 closeness를 더한 “my” 중앙성도 경쟁력 있는 결과를 제공한다.

**

상세 분석

**
이 연구는 그래프 군집화에서 노드 방문 순서가 결과에 미치는 영향을 체계적으로 탐구한다. 라벨 전파(LP)와 Blondel et al.이 제안한 다단계(Louvain) 알고리즘은 모두 반복적인 라벨 업데이트 과정에서 노드 순서에 의존한다는 점을 지적하고, 기존 연구에서는 주로 무작위 순서가 사용되었음에도 불구하고, 순서를 중앙성에 기반해 조정하면 군집 품질이 향상될 수 있음을 보여준다.
중앙성 측정값으로는 (1) 가중치 합계인 degree, (2) PageRank, (3) 전체 그래프에서 최단 경로 길이의 역수인 closeness, (4) 최단 경로가 통과하는 횟수인 betweenness를 사용하였다. 이 중 degree는 계산 비용이 가장 낮고, betweenness와 closeness는 최단 경로 계산이 필요해 복잡도가 높다. 논문은 “low‑centrality first” 전략을 채택했으며, 동일 중앙성을 가진 노드 간에는 무작위 순서를 적용한다.
실험은 Watts‑Strogatz 모델(p=0, dim=1)에서 n=50,100 및 평균 차수(nei=49)인 1000개의 그래프에 대해 수행되었다. 각 그래프에 대해 무작위 순서, degree, PageRank, closeness, betweenness, 그리고 제안된 my‑centrality(=betweenness + 정규화된 closeness) 순서로 정렬한 뒤 LP와 다단계 알고리즘을 적용하고, 최종 군집의 모듈러티를 평균값으로 보고하였다.
표 I(LP)와 표 II(다단계)에서 볼 수 있듯이, betweenness와 closeness 순서가 무작위 대비 약 510%의 모듈러티 상승을 보였으며, my‑centrality는 일부 설정에서 가장 높은 모듈러티를 기록했다. 특히 “natural order”(그래프에 처음 추가된 순서)와 비교했을 때도 중앙성 기반 정렬이 일관되게 우수했다.
연구는 또한 계산 비용을 고려해 degree 기반 정렬을 사전 처리 단계로 제안한다. 비록 degree가 최상의 성능을 보이지는 않지만, 구현이 간단하고 큰 그래프에서도 실시간 적용이 가능하다는 장점이 있다. 한계점으로는 실험이 정규 격자 기반의 작은 Watts‑Strogatz 그래프에 국한되어 있어, 스케일‑프리 네트워크나 가중치가 다양한 실제 데이터셋에 대한 일반화 검증이 부족하다는 점을 들 수 있다. 또한 betweenness 계산 비용이 높은데, 이를 근사화하거나 병렬화하는 방안이 추가 연구로 필요하다.
전반적으로, 노드 순서 최적화가 비스펙트럼 군집화 알고리즘의 성능을 실질적으로 끌어올릴 수 있음을 입증했으며, 특히 중앙성 측정값을 활용한 정렬이 간단하면서도 효과적인 전처리 기법임을 강조한다.

**