링크 예측 성능, 샘플링 방식에 따라 달라진다

초록

본 논문은 실제 네트워크를 다양한 샘플링 기법으로 추출한 뒤, 로컬 정보 기반 링크 예측 알고리즘 10가지를 평가한다. 기존 연구에서 사용하던 무작위 학습/테스트 분할이 편향된 샘플링에서는 부적절함을 보이며, BFS·MHRW·Frontier·Forest‑Fire 등 편향적 방법으로 얻은 스냅샷에서는 대부분의 예측 기법 성능이 크게 저하된다.

상세 분석

본 연구는 복잡 네트워크에서 “링크 예측”이라는 문제를 재조명한다. 기존 문헌에서는 전체 네트워크를 확보한 뒤, 알려진 엣지를 무작위로 90 %는 학습 집합(E_T), 10 %는 테스트 집합(E_P)으로 나누어 알고리즘을 검증했다. 그러나 실제 데이터는 웹 크롤링, SNS API 호출 등 다양한 샘플링 절차를 거쳐 부분 그래프만 얻는 경우가 대부분이며, 이러한 샘플링은 종종 고도 편향(biased)된다. 예를 들어 BFS는 고도 노드 중심의 밀집 영역만을 포착하고, Forest‑Fire는 특정 확산 패턴에 따라 부분 그래프를 추출한다. 이러한 편향은 “누락된 링크”(missing links)의 분포를 크게 바꾸어, 무작위 분할 기반 평가가 실제 성능을 과대평가하게 만든다.

논문은 다섯 가지 대표적인 샘플링 방법을 선정하였다. ① Breadth‑First‑Search (BFS) – 고도 노드에 편향, ② Metropolis‑Hastings Random Walk (MHRW) – 균일 정류점 분포를 목표로 하는 마코프 체인, ③ Frontier Sampling (FS) – 다차원 랜덤 워크, ④ Forest‑Fire (FF) – 확산 기반 확률적 버닝, ⑤ Pure Random (PR) – 이론적 이상 상황. 각각의 샘플링 비율 s_f 를 0.1~0.9 로 조정해 학습 집합을 구성하고, 나머지를 테스트 집합으로 사용하였다.

평가에 사용된 로컬 정보 기반 예측 지표는 총 10가지다. Common Neighbours(CN), Adamic‑Adar(AA), Resource Allocation(RA), Salton(SAI), Jaccard(JI), Sørensen(PHI), Hub‑Promoted(HPI), Hub‑Depressed(HDI), Leicht‑Holme‑Newman(LHN), Preferential Attachment(PA) 등이다. 이들 지표는 모두 “공통 이웃”을 기본으로 하되, 노드 차수에 대한 가중치 조정 방식이 서로 다르다. 논문은 각 지표에 대해 정밀도(Precision)와 AUC(Area Under Curve)를 계산했으며, 특히 AUC가 0.5 를 초과하는 정도를 성능 향상의 지표로 삼았다.

실험 결과는 두드러진 패턴을 보인다. 첫째, 편향적 샘플링(BFS, FF 등)에서는 대부분의 지표가 AUC와 정밀도 모두 크게 감소했다. 특히 고도 노드 중심의 서브그래프만을 포함하는 경우, 차수를 기반으로 한 PA와 HPI 같은 지표는 오히려 과대평가되는 경향이 있었으며, 실제 테스트 집합에 존재하지 않는 “가짜” 링크를 높은 점수로 매겼다. 둘째, MHRW와 FS처럼 상대적으로 균일한 노드 분포를 유지하는 샘플링에서는 일부 지표(CN, AA, RA)가 비교적 안정적인 성능을 보였지만, 여전히 PR(순수 무작위) 대비 약 5~10 % 정도 낮은 AUC 값을 기록했다. 셋째, PR을 사용한 경우에만 기존 논문에서 보고된 높은 성능(예: AUC ≈ 0.9)이 재현되었으며, 이는 평가 방법 자체가 편향을 숨기고 있음을 시사한다.

이러한 결과는 두 가지 중요한 시사점을 제공한다. 첫째, 링크 예측 알고리즘을 실제 서비스에 적용하기 전에는 해당 데이터가 어떤 샘플링 절차를 거쳤는지를 반드시 고려해야 한다. 둘째, 기존 연구에서 제시된 “최고 성능” 지표는 샘플링 편향을 통제하지 않은 경우에만 의미가 있다. 따라서 향후 연구는 (1) 샘플링 편향을 보정하는 사전 처리 단계, (2) 편향에 강인한 새로운 로컬 혹은 글로벌 예측 모델, (3) 샘플링‑예측 연계 평가 프레임워크를 구축해야 한다.