시간변화 네트워크의 공동 커뮤니티 탐지

초록

본 논문은 시간에 따라 변하는 여러 네트워크에서 공통으로 존재하는 커뮤니티(공동 커뮤니티) 구조를 정의하고, 이를 효율적으로 찾기 위한 최적화 알고리즘을 제안한다. 제안 방법은 멤버십 행렬을 이용한 비음수 행렬 분해와 L1 정규화를 결합한 두 단계의 교번 최적화로 구성되며, 이론적 수렴 보증과 실험을 통해 정밀한 공동 커뮤니티와 동적 변화를 동시에 밝혀낸다.

상세 분석

논문은 먼저 “공동 커뮤니티(co‑community)”라는 개념을 도입한다. 이는 동일한 정점 집합을 갖는 두 개 이상의 시점 네트워크에서, 어느 정도 일관된 모듈 구조가 존재하면서도 각 시점마다 일부 정점이 동적으로 재배치될 수 있음을 의미한다. 이를 수학적으로 표현하기 위해 각 네트워크 g(=1,2,…,G)에 대해 멤버십 행렬 H_g∈ℝ^{N×K}를 정의하고, 모든 네트워크에 공통적인 가상 멤버십 행렬 H를 도입한다. 목표 함수는 (1) ∑_g‖A_g−H_gH_g^T‖_F^2 + λ_1∑_g‖H_g−H‖_1 + λ_2‖H‖_1 로 구성된다. 첫 번째 항은 각 네트워크의 인접 행렬 A_g와 해당 멤버십 행렬의 근사 오차를 최소화하고, 두 번째·세 번째 항은 H_g와 H 사이의 L1 차이를 최소화함으로써 공통 구조를 강제하고 희소성을 부여한다.

비선형·비볼록성 때문에 직접 최적화가 어려우므로, 저자는 변수 분할 기법을 적용한다. H가 고정된 경우, 각 H_g에 대해 대칭 비음수 행렬 분해(SNMF) 형태의 서브문제(2)를 풀고, 업데이트 규칙 (3) (H_g){ik}←(fH_g){ik}^{1−β}+β·(A_g fH_g){ik}/(fH_g fH_g^T fH_g){ik} 를 사용한다. 여기서 fH_g=H_g+Δ(H_g−H)이며, β∈(0,1]는 수렴 속도를 조절한다. 이 단계는 각 네트워크별 커뮤니티 구조를 정제한다.

그 다음, 고정된 H_g들을 이용해 H를 업데이트하는 서브문제(4)를 해결한다. L1 정규화가 포함된 이 문제는 표준 선형 계획법으로 변환 가능하고, 추가적인 변수 분할을 통해 매우 큰 규모에서도 효율적으로 풀 수 있다. L1 정규화의 특성상 많은 원소가 0이 되므로, 최종 H는 각 정점이 어느 공동 커뮤니티에 속하는지를 명확히 나타내는 희소 행렬이 된다.

알고리즘 전체 흐름은: (1) 파라미터 λ_1, λ_2, β, K 초기화; (2) H_1, H_2 초기화 후 H=H_1+H_2; (3) Eq.(3) 로 H_g 업데이트; (4) Eq.(4) 로 H 업데이트; (5) 수렴 기준 ‖H^{new}−H^{old}‖_F/‖H^{old}‖_F<10^{−5} 가 만족될 때까지 반복. 시간 복잡도는 O(T·K·N^2)이며, N≈10^4 수준에서도 실험적으로 빠른 수렴을 보인다.

동적 특성 평가를 위해 저자는 “공동 커뮤니티 엔트로피”(CCE) 지표를 정의한다. CCE=−(2/N(N−1))∑_{i<j}