다중층 네트워크를 위한 지역 적응형 랜덤 워크 기반 커뮤니티 탐지

본 논문은 멀티플렉스 네트워크—즉, 동일한 정점 집합을 공유하지만 각 층마다 서로 다른 연결 구조를 갖는 다중층 그래프—에서 커뮤니티를 탐지하는 새로운 방법론을 제시한다. 기존 연구들은 주로 모든 층에 공통으로 존재하는 커뮤니티를 찾는 데 초점을 맞추었으며, 이를 위해 레이어를 단일 그래프로 합성하거나, 각 레이어별로 독립적인 커뮤니티를 찾은 뒤 결과를 통합하는 방식을 사용했다. 그러나 실제 사회·생물학적 시스템에서는 일부 커뮤니티가 특정 층에만 존재하거나, 몇몇 층에만 부분적으로 공유되는 경우가 빈번하다. 이러한 문제를 해결하고자 저자들은 “지역 적응형 랜덤 전이”(Locally Adaptive Random Transitions, LART)라는 알고리즘을 고안했다. 1. **멀티플렉스 모델링 및 supra‑adjacency 행렬** 멀티플렉스는 L개의 레이어와 N개의 정점으로 정의되며, 각 레이어 k의 인접 행렬을 A^k라 한다. 동일 정점 i가 레이어 k와 l에 존재할 때, 두 레이어 사이의 연결 강도 ω_i;kl을 “공통 이웃 수” |N_i,k ∩ N_i,l| 로 정의한다. 이는 각 정점이 두 레이어에서 얼마나 유사한 위상 구조를 가지고 있는지를 정량화한다. 이러한 ω_i;kl을 대각 원소에 배치한 N×N 행렬 W^{kl}을 구성하고, 이를 기존 레이어 인접 행렬 A^k와 함께 블록 행렬 형태로 결합해 supra‑adjacency 행렬 A*를 만든다. A*는 레이어 내부와 레이어 간 연결을 모두 포괄한다. 2. **연결성 및 비이분성 보정** A*는 ω_i;kl이 0인 경우 레이어 간 연결이 끊겨 비연결 그래프가 될 수 있다. 또한, 대각 원소가 0이면 그래프가 이분 그래프가 될 위험이 있다. 이를 해결하기 위해 모든 대각 원소에 작은 양수 ε(0 < ε ≤ 1)를 더해 A = A* + εI (레이어 내부)와 W^{kl} + εI (레이어 간) 형태로 수정한다. 이렇게 하면 그래프는 항상 연결되고 비이분성이 사라져, 마코프 체인의 정상성(ergodicity)이 보장된다. 3. **지역 적응형 전이 확률 정의** 수정된 A를 기반으로 전이 행렬 P = D⁻¹A를 만든다. 여기서 D는 각 정점-레이어 쌍(i,k)의 다중층 차수 κ_i,k = ∑_{j,l}A(i,k)(j,l) 로 정의된 대각 행렬이다. 전이 확률은 네 가지 경우로 나뉜다: (i) 현재 레이어에서 동일 정점에 머무르는 확률 P(i,k)(i,k), (ii) 현재 레이어 내 이웃 정점으로 이동하는 확률 P(i,k)(j,k), (iii) 다른 레이어의 동일 정점으로 이동하는 확률 P(i,k)(i,l) ∝ ω_i;kl, (iv) 다른 레이어의 다른 정점으로 이동하는 확률은 0이다. 즉, 두 레이어에서 공통 이웃이 많을수록 해당 정점 간 전이가 활발해져, 공유 커뮤니티가 존재할 가능성이 높은 영역을 랜덤 워커가 쉽게 탐색하도록 설계되었다. 반대로, 특정 레이어에만 특화된 커뮤니티는 ω가 작아 전이 확률이 낮아지므로, 워커가 해당 레이어 내부에 오래 머무르게 된다. 4. **랜덤 워크와 거리 측정** t 단계(보통 짧은 t, 예: 3~5) 동안의 전이 확률 행렬 P^t를 계산한다. 각 정점-레이어 쌍(i,k)에 대해 행벡터 P^t(i,k) =