스펙트럴 커뮤니티 탐지의 임계 현상과 노이즈 민감도 분석

본 논문은 두 개의 임의 연결된 커뮤니티가 무작위 외부 에지와 에르되시‑레니형 노이즈에 의해 변형된 대규모 그래프에서 스펙트럴 클러스터링 기반 커뮤니티 탐지의 민감성을 이론적으로 분석한다. 연구는 먼저 네트워크 모델을 정의한다. 각 커뮤니티 i (i=1,2)는 내부 인접 행렬 A_Si 와 노드 수 n_i 로 표현되며, 두 커뮤니티 사이의 외부 연결은 n₁×n₂ 행렬 C_S 로 모델링한다. C_S 의 각 원소는 베르누이(p) 확률을 갖는 독립 변수이며, 이는 외부 연결 확률을 의미한다. 전체 관측 그래프는 A = A_S + A_N 로 나타내며, 여기서 A_N 은 에르되시‑레니(q) 확률로 무작위 삽입된 노이즈 행렬이다. 이 모델은 기존 스토캐스틱 블록 모델을 일반화한 형태이며, 내부 구조는 임의(연결된 그래프)일 수 있다. 스펙트럴 커뮤니티 탐지는 라플라시안 L = D – A 의 두 번째 고유값 λ₂(L) 와 그 고유벡터 y (피델러 벡터)를 이용한다. λ₂(L) 은 최소화 문제 (1) 로 정의되며, y 를 이용해 K‑means 로 노드들을 두 그룹으로 나눈다. 논문은 라그랑주 승수 μ, ν 를 도입해 최적화 조건을 전개하고, 두 커뮤니티에 대한 부분 벡터 y₁, y₂ 로 분리한다. 미분식 (6)-(7) 로부터 얻은 연립 방정식은 외부 연결 행렬 C_S와 노이즈 행렬 C_N 이 y₁, y₂ 에 미치는 영향을 명시한다. 대규모 n→∞ 상황에서 라타란드 정리와 텔라그란드 부등식을 이용해 C_S 와 C_N 의 특이값 분포를 분석한다. 주요 결과는 σ₁(C_S)/√(n₁n₂) → p, σ_i(C_S) (i≥2) → 0, 그리고 σ₁(C_N)/√(n₁n₂) → q 가 거의 확실하게 성립한다는 점이다. 이를 통해 D_S₁+ D_N₁ 와 D_S₂+ D_N₂ 가 (p+q)·1ₙ₁·1ₙ₂ᵀ 형태로 수렴함을 보인다. 이러한 수렴성을 바탕으로 피델러 벡터의 평균값 1ᵀy₁, 1ᵀy₂ 와 λ₂(L) 의 스케일링을 분석한다. 두 경우가 도출된다. **Case 1**: λ₂(L)/n → t = p+q 로 수렴하고, y₁, y₂ 가 각각 상수 벡터(부호만 반대)로 수렴한다. 즉, y₁ ≈ +c·1ₙ₁, y₂ ≈ –c·1ₙ₂ 형태가 된다. 이때 스펙트럴 클러스터링은 거의 완벽하게 두 커뮤니티를 구분한다. **Case 2**: 1ᵀy₁ → 0, 1ᵀy₂ → 0 이며, y₁, y₂ 의 원소들이 서로 섞여 부호가 혼재한다. λ₂(L)/n 은 t보다 작아지며, 고유벡터가 커뮤니티 경계를 명확히 드러내지 못한다. 결과적으로 K‑means 로 얻은 클러스터는 무작위에 가까운 정확도를 보인다. 임계값 p* 은 외부 연결 확률 p 가 어느 수준을 넘어가면 Case 1에서 Case 2로 전이되는지를 정의한다. 저자는 λ₂(L₁), λ₂(L₂) (각 커뮤니티 라플라시안의 두 번째 고유값) 와 노드 수 차이 |n₁–n₂| 를 이용해 상한 p_UB 와 하한 p_LB 를 도출한다. 식 (37) 은 p_UB =