동적 네트워크 커뮤니티 구조 평가를 위한 벤치마크 모델

초록

본 논문은 시간에 따라 변하는 네트워크의 커뮤니티 구조를 검증할 수 있는 동적 벤치마크 그래프를 제안한다. 고전적인 확률 블록 모델(SBM)을 기반으로 성장·축소, 병합·분할, 그리고 이 두 과정을 혼합한 세 가지 유형의 주기적 변화를 구현한다. 또한 정적 지표를 시간 창(window) 형태로 확장하여 동적 클러스터링 결과를 정량적으로 비교할 수 있는 방법을 제시한다.

상세 분석

이 연구는 동적 네트워크에서 커뮤니티 탐지 알고리즘의 성능을 객관적으로 평가하기 위해, 명확히 정의된 “진짜” 커뮤니티 변화를 내포한 합성 그래프 생성 모델을 설계하였다. 기본 골격은 확률 블록 모델(SBM)이며, 노드 수는 고정된 2n(또는 4n)으로 유지하면서 내부 연결 확률 p_in과 외부 연결 확률 p_out을 조절한다. 첫 번째 벤치마크인 성장‑축소(grow‑shrink)에서는 두 커뮤니티 간에 일정 비율 f만큼의 노드가 주기적으로 이동한다. 이때 커뮤니티 크기 n_A(t)는 삼각파형 x(t)를 이용해 연속적으로 변하며, τ는 전체 주기의 길이이다. 노드 이동 시 기존 엣지는 모두 삭제하고, 새로운 커뮤니티에 대해 p_in·p_out을 그대로 적용해 엣지를 재생성함으로써 매 순간 SBM의 확률적 특성을 보존한다. 두 번째 벤치마크인 병합‑분할(merge‑split)은 두 커뮤니티가 점진적으로 연결 밀도를 변화시켜 하나의 큰 커뮤니티로 합쳐졌다가 다시 분리되는 과정을 모사한다. 여기서는 전체 가능한 교차 엣지 수 m_max=n²에 대해 초기와 최종 상태의 엣지 수(m_um, m_m)를 이항분포로 샘플링하고, 삼각파형 x(t)로 가중 평균을 취해 시간에 따라 활성화되는 엣지 수 m*(t)를 결정한다. 이 과정은 엣지 순서를 고정해 두면 완전한 주기성을 확보할 수 있다. 세 번째 혼합(mixed) 벤치마크는 q=4 이상의 커뮤니티를 대상으로, 두 쌍의 커뮤니티에 각각 성장‑축소와 병합‑분할을 독립적인 위상 φ로 적용한다. 이렇게 하면 서로 다른 동적 패턴이 동시에 발생하면서도 전체 네트워크는 여전히 SBM 구조를 유지한다.

동적 성능 평가 지표는 기존 정적 지표(Jaccard, Adjusted Rand, NMI, NVI 등)를 시간 창 σ를 도입해 확장한다. 두 파티션 시퀀스 C(t)와 C′(t) 사이의 컨퓨전 행렬을 각 시간 단계별로 계산하는 것이 아니라, 길이 σ의 연속된 스냅샷을 카테고리화한 집합 D(t;σ)=C(t)×…×C(t+σ)와 D′(t;σ)를 사용한다. 이렇게 하면 동일 노드가 여러 시간에 걸쳐 어떤 클러스터 변천을 겪었는지를 하나의 라벨로 취급해, 창 내에서의 진화 패턴까지 비교 가능하게 된다. 창 크기 σ=0이면 기존 정적 지표와 동일하고, σ>0이면 시간적 연속성을 반영한 새로운 지표가 된다. 최종 성능 평가는 창별 지표값의 평균 제곱 오차 E_J(σ), E_NMI(σ) 등을 이용해 전체 알고리즘의 정확도를 한 숫자로 요약한다.

제안된 벤치마크와 창 기반 지표는 동적 커뮤니티 탐지 알고리즘이 “정확히 언제” 변화를 감지하는지를 정량화할 수 있게 해준다. 특히, 성장‑축소와 병합‑분할이 동시에 일어나는 복합 상황에서 정적 방법만으로는 놓치기 쉬운 미세한 전이 시점을 포착할 수 있다. 또한, 모델 파라미터(p_in, p_out, f, τ 등)를 조절함으로써 다양한 난이도와 시간 스케일을 가진 테스트 환경을 손쉽게 생성할 수 있다.