전염 확산 기반 스펙트럴 클러스터링

초록

본 논문은 그래프의 무작위 워크 대신 전염 확산 과정을 모델링한 복제자(replicator) 연산자를 이용해 스펙트럴 클러스터링을 수행한다. 복제자는 각 노드의 고유벡터 중심성을 가중치로 하는 재가중 그래프의 정규화 라플라시안과 동등함을 보이며, 두 번째 고유벡터와 첫 번째 고유벡터의 성분별 비율을 이용해 노드를 정렬하고 최적의 컷을 탐색한다. 합성 그래프 실험에서 전염 기반 방법이 기존 라플라시안 기반 방법보다 밀집된 클리크 구조를 더 잘 복원함을 확인한다.

상세 분석

이 논문은 기존 스펙트럴 클러스터링이 그래프 라플라시안(L) 혹은 정규화 라플라시안(Ls)을 통해 무작위 워크(random walk)의 확산 특성을 이용한다는 점을 출발점으로 삼는다. 무작위 워크는 한 번에 하나의 이웃으로만 전이되며, 전이 확률 행렬이 보존법칙을 만족한다. 반면 전염 확산(epidemic diffusion)은 현재 노드의 모든 이웃에게 동시에 전파되며, 물질 보존이 아닌 복제 현상을 보인다. Lerman과 Ghosh가 제안한 복제자 연산자 R = λ_max I − A는 이러한 전염 과정을 수학적으로 표현한다. 여기서 λ_max은 인접 행렬 A의 최대 고유값이며, θ는 그에 대응하는 고유벡터(즉, 고유벡터 중심성)이다.

핵심 이론적 기여는 복제자 R이 “재가중 그래프”의 정규화 라플라시안 Ls와 정확히 동등하다는 증명이다. 재가중 그래프는 기존 간선 가중치 A_ij에 양쪽 노드의 중심성 θ_i·θ_j 를 곱해 새로운 가중치 ˜A_ij = A_ij θ_i θ_j 로 정의한다. 이때 새로운 차수 행렬 ˜D는 θ_i · (∑_j A_ij θ_j) = λ_max θ_i² 로 표현될 수 있다. 이를 이용해 Ls = I − ˜D^{‑1/2} ˜A ˜D^{‑1/2} 를 전개하면 Ls = I − (1/λ_max) A 가 되고, 따라서 R = λ_max Ls 가 된다. 즉, 전염 확산은 재가중된 그래프에서의 확산(라플라시안)과 완전히 동일하게 동작한다는 의미다.

이 동등성을 활용하면 기존 스펙트럴 클러스터링의 이론적 기반(정규화 컷 최소화)을 그대로 적용할 수 있다. 다만 그래프가 재가중되었기 때문에, 중심성이 높은 노드 사이의 간선이 더 큰 가중치를 갖게 된다. 따라서 “밀집하고 중심적인” 클리크 구조는 컷 비용이 크게 상승하여 잘 보존되고, 반대로 중심성이 낮은 주변 노드와의 연결은 상대적으로 저렴하게 절단될 가능성이 높다.

알고리즘적 구현은 다음과 같다. 복제자 R의 첫 번째 고유벡터 θ와 두 번째 고유벡터 ψ를 계산하고, 각 노드 i에 대해 비율 v_i = ψ_i / θ_i 를 구한다. 이 비율을 오름차순으로 정렬하면 1차원 순서가 얻어지고, N‑1개의 가능한 이분 컷을 모두 평가한다. 평가 기준은 재가중 그래프에 대한 정규화 컷(N̂(S))이며, 최소값을 주는 컷을 최종 커뮤니티로 선택한다. 이 과정은 기존의 라플라시안 기반 스펙트럴 이분법과 구조적으로 동일하지만, 가중치 재조정으로 인해 더 강력한 클리크 보존 특성을 가진다.

실험에서는 Lanciñhetti와 Fortunato가 제안한 계층적 커뮤니티 모델을 사용해 합성 그래프를 생성하였다. 매크로·마이크로 커뮤니티 간 연결 비율을 조절하는 µ₁, µ₂ 파라미터를 변화시켜, inter‑community 링크가 많아질수록 전통적인 라플라시안(L, Ls) 기반 방법은 정밀도와 재현율이 급격히 감소한다. 반면 복제자 기반 방법은 특히 µ₁이 큰 경우에도 높은 NMI(Normalized Mutual Information)와 정확도를 유지한다. 이는 전염 기반 가중치가 “핵심” 노드들을 보호하고, 외부와의 약한 연결을 자연스럽게 절단하게 만들기 때문이다.

또한, 논문은 간단한 예시 그래프(밀집 클리크와 하나의 허브 노드로 연결된 두 클러스터)를 통해, 원 그래프에서는 일반적인 정규화 컷이 허브를 포함한 비대칭 컷을 선택하지만, 재가중 그래프에서는 허브와 클리크가 함께 유지되는 컷이 비용 면에서 우월함을 수치적으로 보여준다.

결론적으로, 전염 확산을 모델링한 복제자 연산자는 기존 라플라시안과 수학적으로 동등하면서도, 중심성 기반 재가중을 통해 “클리크‑우선” 커뮤니티 구조를 강조한다. 이는 특히 소셜 네트워크와 같이 고중심성 허브가 다수의 커뮤니티를 연결하는 경우에, 기존 방법이 놓치기 쉬운 미세한 커뮤니티 경계를 효과적으로 복원한다는 실용적 의미를 가진다.