네트워크 구조 규칙 탐색을 위한 일반화된 블록 모델

초록

본 논문은 노드의 그룹 소속을 숨은 변수로 두고, 그룹 간 연결 패턴을 블록 행렬 ω로 명시하는 일반화된 확률적 블록 모델(GSB)을 제안한다. 출력‑입력 중심성 파라미터 θ와 φ를 도입해 방향성·중복성을 모두 포착하고, EM 알고리즘으로 파라미터와 숨은 변수의 최대우도 추정을 수행한다. 기존 모델이 갖는 구조적 편향을 극복하며, 겹침 커뮤니티, 다파트ite, 핵‑주변 구조 등 다양한 네트워크 정규성을 사전 지식 없이 자동으로 탐지한다. 실험 결과는 제안 모델이 최신 방법들을 전반적으로 능가함을 보여준다.

상세 분석

이 연구는 네트워크 구조 탐색을 위해 기존 확률적 블록 모델들의 한계를 체계적으로 분석하고, 그 해결책으로 ‘일반화된 스토캐스틱 블록 모델(General Stochastic Block model, GSB)’을 설계하였다. 핵심 아이디어는 그룹을 관측되지 않은 잠재 변수(–→g, ←–g)로 두고, 그룹 간 연결 확률을 ω_{rs} 로, 각 그룹 내에서 노드 i가 꼬리(tail) 혹은 머리(head) 역할을 할 확률을 각각 θ_{ri}, φ_{sj} 로 분리함으로써, 방향성 네트워크에서도 노드의 출입 중심성을 독립적으로 모델링한다. 이는 전통적인 SBM이 모든 노드를 동일하게 취급하는 제약을 완화하고, 노드가 여러 그룹에 동시에 속할 수 있는 ‘소프트’ 멤버십을 자연스럽게 허용한다.

모델의 파라미터 추정은 기대‑최대화(EM) 알고리즘을 기반으로 한다. E‑스텝에서는 현재 파라미터(ω, θ, φ)를 이용해 각 관측된 엣지 e_{ij}가 그룹 (r,s)에 기인했을 확률 q_{ij}^{rs}=Pr(–→g_{ij}=r,←–g_{ij}=s|e_{ij},ω,θ,φ) 를 계산한다. M‑스텝에서는 라그랑주 승수를 도입해 정규화 제약을 만족시키면서 q_{ij}^{rs} 를 이용해 ω, θ, φ 를 업데이트한다. 수식 (8)에서 제시된 업데이트 식은 각 파라미터가 현재 q 값에 대한 기대 로그우도의 최대화를 보장한다.

GSB 모델의 가장 큰 장점은 ‘블록 행렬 ω’ 자체가 구조 유형을 드러낸다는 점이다. ω가 대각선 우세이면 동질적 연결을 의미하는 커뮤니티(assortative) 구조를, 반대로 비대각선이 강하면 이분(또는 다파트) 구조를 암시한다. 또한, ω의 비대칭 형태는 핵‑주변(core‑periphery) 혹은 위계적(hierarchical) 패턴을 포착한다. 따라서 사전에 구조 유형을 가정하지 않아도, 학습된 ω를 해석함으로써 네트워크가 어떤 정규성을 갖는지 자동으로 식별할 수 있다.

알고리즘 복잡도는 각 EM 반복마다 q_{ij}^{rs} 를 계산하는 O(m·c²)와 파라미터 업데이트에 동일한 O(m·c²) 연산이 필요하므로, 전체 복잡도는 O(T·m·c²)이다(T는 반복 횟수). 이는 기존 혼합 모델이나 degree‑corrected SBM과 비슷한 수준이지만, 구조적 유연성을 크게 확장한다는 점에서 실용적이다.

실험에서는 인공적으로 생성한 여러 유형의 네트워크(겹침 커뮤니티, 다파트ite, 핵‑주변 등)와 실제 소셜·생물학·정보 네트워크에 GSB를 적용하였다. 정량적 평가지표(NMI, ARI 등)와 정성적 시각화 모두에서, 최신 방법(예: Newman’s mixture model, degree‑corrected SBM, mixed‑membership SBM)보다 우수한 성능을 보였다. 특히 겹침 커뮤니티를 탐지할 때는 소프트 멤버십 α_{ir}, β_{js} 를 통해 각 노드가 여러 그룹에 동시에 기여하는 정도를 명확히 제시하였다.

요약하면, GSB 모델은 (1) 그룹 간 연결 패턴을 명시적으로 표현하는 ω, (2) 방향성·중복성을 반영하는 θ와 φ, (3) EM 기반의 효율적 파라미터 추정이라는 세 축을 결합해, 기존 모델이 각각 갖던 제한(단일 구조 가정, 하드 파티션, 방향성 무시 등)을 동시에 극복한다. 이는 네트워크 과학·사회학·생물정보학 등 다양한 분야에서 복합적인 구조를 가진 대규모 그래프를 분석하는 데 강력한 도구가 될 것으로 기대된다.