베이지안 차수 보정 확률 블록모델을 이용한 커뮤니티 탐지

본 논문은 네트워크 과학에서 핵심적인 문제인 커뮤니티 탐지를 위한 새로운 베이지안 통계 모델을 제안한다. 서론에서는 네트워크 내 커뮤니티가 높은 내부 연결 밀도와 낮은 외부 연결 밀도를 보이는 구조적 특성을 갖는다고 설명하고, 기존의 그래프 분할, 스펙트럴 클러스터링, 모듈러리티 최적화 등 다양한 방법들의 한계—특히 작은 커뮤니티 탐지의 해상도 제한과 파라미터 식별성 문제—를 지적한다. 관련 연구 섹션에서는 확률 블록모델(SBM)의 발전 과정을 정리한다. 초기의 p1 블록모델에서 시작해, Holland와 Leinhardt의 로그선형 모델, Karrer와 Newman의 차수 보정 SBM, 그리고 베이지안 계층 모델까지 다양한 접근법을 소개한다. 특히 라벨 비식별성은 모든 잠재 클래스 모델에서 공통된 문제이며, 기존에는 라벨 순서를 강제하거나 스위칭 알고리즘을 사용해 해결했지만, 이는 계산 비용이 크고 정확도가 떨어진다. 제안 모델은 로그선형 형태의 차수 보정 SBM을 기반으로 한다. 관측된 인접 행렬 A에 대해 A_{ij}∼Bernoulli(logit^{-1}(γ_{σ_iσ_j}+η_i+η_j))를 가정한다. 여기서 γ_{kl}는 커뮤니티 k와 l 사이의 연결 로그오즈를 나타내며, η_i는 노드 i의 차수 효과를 포착한다. γ 파라미터에 γ≤0 제약을 두어, 커뮤니티 내부 연결 확률이 외부보다 높다는 도메인 지식을 반영한다. 베이지안 계층 구조에서는 γ와 η에 평균 0, 분산 τ²인 정규 사전분포를 부여하고, π(커뮤니티 비율)에는 Dirichlet(α) 사전을 둔다. 이는 작은 커뮤니티에 대한 사전 가중치를 조절해 해상도 제한을 완화한다. 파라미터 식별성을 위해 설계 행렬 X의 특성을 분석하고, 각 커뮤니티에 최소 두 노드가 있어야 완전 열랭크를 만족한다는 정리 1을 제시한다. 이를 바탕으로 불필요한 K개의 γ 파라미터를 제거하고, γ_{kk}=0으로 고정해 모델을 식별 가능하게 만든다. 라벨 비식별성 해결을 위해 정규화된 기준 사상(canonical projection)을 도입한다. 라벨 배열 σ에 대해 첫 등장 위치 ind(σ)와 그 순서 ord(σ)를 정의하고, ord(σ)=