SCORE로 빠른 커뮤니티 탐지

초록

본 논문은 Degree‑Corrected Block Model(DCBM) 하에서 커뮤니티 라벨을 추정하기 위한 새로운 스펙트럴 방법인 SCORE( Spectral Clustering On Ratios‑of‑Eigenvectors)를 제안한다. 인접 행렬의 앞 K 개의 고유벡터를 구한 뒤, 첫 번째 고유벡터와 나머지 고유벡터의 원소별 비율을 행렬 (\hat R) 에 저장하고, 이를 k‑means 클러스터링에 적용한다. 이 비율 변환은 노드별 degree 이질성을 효과적으로 제거한다. 웹 블로그와 카라테 클럽 데이터에 실험을 수행했으며, 기존 스펙트럴 방법 및 모듈러리티 기반 방법보다 낮은 오류율을 기록한다. 또한, 무작위 행렬 이론과 행렬 형태 Bernstein 부등식을 이용해 일관성(consistent) 검증을 제공한다.

상세 분석

SCORE는 DCBM의 핵심 난제인 degree heterogeneity를 고유벡터 비율을 통해 억제한다는 점에서 혁신적이다. DCBM에서는 각 노드 i 에 고유한 스케일 파라미터 θ_i 가 곱해져, 전통적인 스펙트럴 클러스터링이 고유벡터의 절대값에 크게 의존하게 된다. 이때 첫 번째 고유벡터 (\hat\eta_1) 은 거의 모든 노드에 대해 θ_i 에 비례하는 형태를 띠며, 두 번째 이후 고유벡터 (\hat\eta_{k+1}) 도 동일한 θ_i 에 의해 스케일링된다. 따라서 (\hat\eta_{k+1}(i)/\hat\eta_1(i)) 는 θ_i 의 영향을 상쇄하고, 순수하게 커뮤니티 구조를 반영하는 K‑1 차원 벡터를 제공한다. 이 비율 행렬 (\hat R) 에 k‑means 를 적용하면, 각 행은 동일 커뮤니티에 속한 노드들이 거의 동일한 좌표에 모이게 된다.

이론적 분석에서는 무작위 행렬 이론(RMT)을 활용해, 인접 행렬 A 의 고유벡터가 기대값 Ω (DCBM의 확률적 기대 행렬)와 얼마나 가깝게 수렴하는지를 정량화한다. 특히, 행렬 형태 Bernstein 부등식은 A−Ω 의 스펙트럼 노름을 고차원에서 확률적으로 제한하는 데 핵심 역할을 한다. 이러한 경계는 고유벡터 추정 오차가 O(√(log n / n)) 정도임을 보이며, 비율 변환 후에도 오차가 소멸함을 증명한다. 결과적으로, SCORE는 “weak consistency”(오류 비율이 0으로 수렴)와 “strong consistency”(정확히 모든 라벨을 복원) 두 가지 수준에서 일관성을 보장한다.

실험적으로는 두 개의 실세계 네트워크에 적용하였다. 웹 블로그 데이터(1222 노드, 2 커뮤니티)에서는 58개의 오분류만을 기록했으며, 이는 기존 정규화 Laplacian 기반 스펙트럴 클러스터링이 150여 개 이상을 틀린 것보다 현저히 우수했다. 카라테 클럽 데이터(34 노드, 2 커뮤니티)에서는 단 1개의 오분류만 발생했다. 계산 복잡도 측면에서도, 고유벡터 계산은 전형적인 O(n log n) 시간에 수행되며, 비율 연산과 k‑means 단계는 선형에 가깝다. 따라서 대규모 네트워크에도 실용적으로 적용 가능하다.

요약하면, SCORE는 DCBM 하에서 degree heterogeneity를 비율 변환으로 자연스럽게 제거하고, 간단한 k‑means 로 정확한 커뮤니티 라벨을 복원한다. 이 방법은 이론적 일관성 보장, 실험적 우수성, 구현·연산 효율성이라는 세 축을 모두 만족한다.