서명 네트워크 탐색을 위한 확장 확률 블록 모델

초록

본 논문은 양·음의 연결을 동시에 고려하는 서명 네트워크의 메소스코픽 구조를 자동으로 탐색하는 일반화된 확률 블록 모델(SSBM)을 제안한다. 그룹 소속을 숨은 변수로 두고, 양·음 링크 각각에 대한 블록 행렬을 도입해 정규화된 EM 알고리즘으로 파라미터와 소속 확률을 추정한다. 모델은 소프트 파티션을 제공해 겹치는 구조를 드러내며, 각 그룹의 핵심 정점과 다른 그룹을 연결하는 브리지 정점을 식별한다. 합성·실제 데이터 실험을 통해 기존 방법보다 다양한 구조를 정확히 복원하고, 구조 유형을 블록 행렬을 통해 직관적으로 해석할 수 있음을 보인다.

상세 분석

이 논문은 서명 네트워크, 즉 양(positive)과 음(negative) 두 종류의 엣지를 동시에 갖는 그래프에 대한 구조적 탐색을 목표로 한다. 기존의 확률 블록 모델은 양의 엣지만을 전제로 하여 커뮤니티(동질성) 혹은 이분/다분할 구조(이질성) 중 하나에 초점을 맞추는 경우가 대부분이었다. 저자들은 이러한 한계를 극복하기 위해 두 개의 블록 행렬 ω⁺와 ω⁻를 도입한다. ω⁺{rs}는 그룹 r에서 그룹 s로 향하는 양의 엣지가 나타날 확률을, ω⁻{rs}는 동일한 방향에서 음의 엣지가 나타날 확률을 나타낸다. 이렇게 하면 각 그룹 쌍에 대해 양·음 연결 패턴을 독립적으로 모델링할 수 있어, ‘양성 내부·음성 외부’ 형태의 전통적 커뮤니티, ‘음성 내부·양성 외부’ 형태의 이분 구조, 혹은 양·음이 혼합된 복합 구조까지 모두 포괄한다.

그룹 소속은 θ_i^r(출발 정점 i가 그룹 r에 속할 확률)와 φ_j^s(도착 정점 j가 그룹 s에 속할 확률)라는 두 개의 파라미터로 표현된다. 이는 정점의 중심성(centrality)을 정량화하는데, θ는 출발 정점의 영향력, φ는 도착 정점의 수신력을 의미한다. 파라미터는 모두 정규화 제약(∑r θ_i^r = 1, ∑s φ_j^s = 1, ∑{r,s} ω⁺{rs}=1, ∑{r,s} ω⁻{rs}=1)을 만족한다.

모델 학습은 EM(Expectation–Maximization) 알고리즘으로 수행된다. E‑step에서는 현재 파라미터를 이용해 각 엣지 e_{ij}가 (r,s) 그룹 쌍에 속할 사후 확률 q⁺{ij}^{rs}와 q⁻{ij}^{rs}를 계산한다. 이는 ω와 θ, φ의 곱을 정규화한 형태이며, 양·음 엣지 각각에 대해 독립적으로 구한다. M‑step에서는 이 사후 확률을 이용해 파라미터를 업데이트한다. ω⁺{rs}는 양의 엣지 수와 q⁺의 합을 전체 양 엣지 수로 나눈 값으로, ω⁻{rs}도 동일하게 정의된다. θ_i^r와 φ_j^s는 각각 i와 j에 연결된 모든 양·음 엣지에 대한 q의 가중합을 전체 엣지 가중합으로 나눈 형태가 된다. 이러한 업데이트는 파라미터가 정규화 조건을 자동으로 만족하도록 설계돼 있다.

시간 복잡도는 각 EM 반복마다 O(m·c²)이며, 여기서 m은 엣지 수, c는 그룹 수이다. 실제 실험에서는 수십 번의 초기화 시도를 통해 로컬 최적화 문제를 완화한다. 중요한 점은 모델이 ‘소프트 파티션’을 제공한다는 것이다. 즉, 정점 i가 여러 그룹에 동시에 속할 확률을 갖게 되며, 이는 겹치는(오버랩) 구조를 자연스럽게 드러낸다. 또한, θ와 φ의 크기를 통해 그룹 내 핵심 정점(높은 중심성)과 그룹 간 연결을 담당하는 브리지 정점을 식별할 수 있다. 이러한 정량적 지표는 네트워크 내 역할 기반 분석(role analysis)과도 연결된다.

실험 부분에서는 합성 네트워크에서 사전 설계된 커뮤니티, 이분 구조, 코어‑퍼리페리 구조 등을 성공적으로 복원하고, 블록 행렬을 시각화해 각 구조의 양·음 연결 패턴을 직관적으로 해석한다. 실제 데이터(예: 소셜 서명 네트워크, 온라인 평판 시스템)에서도 기존의 양‑전용 커뮤니티 탐지 기법보다 높은 정밀도와 재현율을 보이며, 특히 음성 엣지가 중요한 역할을 하는 경우에도 구조를 정확히 포착한다. 비교 대상으로는 기존의 Signed Modularity, Signed Potts 모델, 그리고 일반 SBM 기반 방법이 포함되었으며, SSBM은 특히 겹치는 구조와 브리지 정점 탐지에서 우수함을 입증한다.

한계점으로는 EM이 로컬 최적에 머물 가능성, 그룹 수 c를 사전에 지정해야 하는 점, 그리고 매우 큰 네트워크에서 c²에 비례하는 연산량이 병목이 될 수 있다는 점을 언급한다. 향후 연구에서는 베이지안 비모수 방법을 도입해 자동 그룹 수 추정, 스파스 행렬 연산을 활용한 확장성 개선, 그리고 동적 서명 네트워크에 대한 시계열 모델링을 제안한다. 전반적으로 이 논문은 서명 네트워크의 복합적 메소스코픽 구조를 탐색·해석하는 데 있어 가장 포괄적이고 직관적인 프레임워크를 제공한다.