다중방향 스펙트럴 커뮤니티 탐지 알고리즘

초록

**
본 논문은 모듈러티 최적화를 벡터 파티셔닝 문제로 변환하고, k‑means와 유사한 빠른 휴리스틱을 적용해 네트워크를 임의의 개수(k)만큼 직접 분할하는 스펙트럴 알고리즘을 제안한다. 기존의 2‑way·3‑way 제한을 넘어, 불균형 커뮤니티 구조에서도 우수한 성능을 보이며, 실제 데이터에도 적용 가능함을 실험으로 입증한다.

**

상세 분석

**
이 논문은 네트워크 커뮤니티 탐지에서 가장 널리 쓰이는 품질 함수인 모듈러티(Q)를 최대화하는 문제를 새로운 관점으로 접근한다. 기존 스펙트럴 방법은 모듈러티 행렬 B의 가장 큰 고유값과 대응하는 고유벡터 몇 개만 이용해 2‑way 혹은 3‑way 분할을 수행하고, 다중 커뮤니티를 얻기 위해서는 반복적인 2‑way 분할을 적용해야 하는 한계가 있었다. 저자들은 B를 고유값 분해한 뒤, 양의 고유값 λ₁…λ_p에 대해 p‑차원 벡터 r_i = (√λ₁ U_{i1}, …, √λ_p U_{ip})를 정의한다. 이때 모듈러티는 각 커뮤니티 s에 속한 벡터들의 합 R_s = Σ_{i∈s} r_i의 제곱norm에 비례하게 된다. 즉, Q = (1/2m) Σ_s |R_s|² 로 표현되며, 이는 “max‑sum vector partitioning” 문제와 동등함을 보여준다.

벡터 파티셔닝은 일반적으로 다항시간에 정확히 풀 수 있지만, k가 커지면 O(n k^{2}) 정도의 복잡도가 발생해 실용적이지 않다. 따라서 저자들은 k‑means와 유사한 휴리스틱을 설계한다. 초기에는 k개의 그룹 벡터 R_s를 무작위 혹은 사전 클러스터링으로 설정하고, 각 정점 벡터 r_i에 대해 (R_s – r_i)·r_i 가 가장 큰 그룹에 할당한다. 할당 후에는 R_s를 해당 그룹에 속한 모든 r_i의 합으로 갱신하고, 수렴할 때까지 반복한다. 이 과정에서 ΔQ = (1/m)(R_t·r_i – R_s·r_i) 로 표현되는 모듈러티 변화량을 직접 이용해 “거리”를 내적값으로 정의함으로써, 최적화 목표와 완전히 일치하도록 설계되었다.

p의 선택에 대해서는 두 가지 제약이 있다. 첫째, p는 양의 고유값 개수보다 크지 않아야 하며, 둘째, 원하는 커뮤니티 수 k에 대해 최소 p ≥ k – 1이어야 한다. 논문에서는 가장 빠른 실행을 위해 p = k – 1을 기본값으로 사용했으며, 필요에 따라 더 큰 p를 선택해 근사 정확도를 높일 수 있음을 언급한다.

알고리즘의 시간 복잡도는 고유벡터 계산(O(n p))과 반복적인 할당·갱신 단계(O(n k p·iterations))로 구성된다. 실제 실험에서는 몇 차례의 반복만으로 수렴했으며, 전체 실행 시간은 기존의 반복 2‑way 스펙트럴 방법보다 현저히 짧았다.

성능 평가에서는 인공적으로 생성한 균형·불균형 커뮤니티 네트워크와 두 개의 실제 네트워크(예: 정치 블로그 네트워크, 미국 전력 그리드)를 대상으로 기존 방법(White‑Smyth k‑means, 다중 2‑way 분할, Louvain 등)과 비교하였다. 특히 커뮤니티 크기가 크게 차이 나는 경우, 제안된 알고리즘은 모듈러티 점수와 정밀도/재현율 모두에서 우수한 결과를 보였다. 또한, 결과가 직관적인 기대와 일치함을 시각화와 정량적 지표를 통해 확인하였다.

이 논문은 모듈러티 최적화와 벡터 파티셔닝 사이의 수학적 동등성을 명확히 제시하고, 이를 기반으로 한 실용적인 다중 커뮤니티 스펙트럴 방법을 제공함으로써, 기존 스펙트럴 기법의 확장성 문제를 효과적으로 해결한다는 점에서 큰 의의를 가진다.

**