역할 기반 라벨 전파 알고리즘으로 커뮤니티 탐지

초록

본 논문은 라벨 전파 알고리즘(LPA)의 불안정성과 거대 커뮤니티 발생 문제를 해결하기 위해, 노드의 커뮤니티 지향 역할을 활용한 역할 기반 라벨 전파 알고리즘(roLPA)을 제안한다. 핵심 노드, 교차 노드, 주변 노드 등 역할별 전파 규칙을 설계하고, 이를 통해 라벨 업데이트 순서와 선호도를 조정한다. 실험 결과, 인공 및 실제 네트워크에서 NMI·Modularity 등 평가 지표가 최신 알고리즘들과 동등하거나 우수함을 확인하였다.

상세 분석

라벨 전파 알고리즘(LPA)은 초기 라벨을 무작위로 할당한 뒤, 이웃 라벨의 다수결에 따라 라벨을 반복적으로 업데이트하는 방식으로, 거의 선형 시간 복잡도(O(m))를 갖는 장점이 있다. 그러나 무작위 초기화와 동시 업데이트 방식은 실행마다 결과가 크게 달라지는 불안정성을 초래하고, 특히 고밀도 노드가 주변 라벨을 압도하면서 하나의 거대 커뮤니티(‘몬스터 커뮤니티’)가 형성되는 현상이 빈번히 보고된다. 이러한 문제를 근본적으로 해결하기 위해서는 라벨 전파 과정에서 각 노드가 네트워크 구조 내에서 수행하는 역할을 고려해야 한다는 점이 핵심 통찰이다.

논문은 먼저 노드 역할을 세 가지 유형으로 정의한다. ① 핵심(Core) 노드: 높은 내부 연결 밀도와 커뮤니티 내 중심성을 가지며, 라벨 전파 시 주변 노드에 강한 영향을 미친다. ② 교차(Bridge) 노드: 서로 다른 커뮤니티 사이에 위치해 다중 커뮤니티와 연결되며, 라벨 전파 시 양쪽 커뮤니티의 라벨을 동시에 수용하거나 전파할 가능성이 높다. ③ 주변(Peripheral) 노드: 낮은 차수와 낮은 내부 연결 밀도를 보이며, 라벨 변화에 민감하지만 전파 효과는 제한적이다.

이러한 역할 구분을 기반으로 roLPA는 두 가지 주요 메커니즘을 도입한다. 첫째, 라벨 업데이트 순서를 역할 우선순위에 따라 정한다. 핵심 노드는 먼저 업데이트되어 라벨을 확산시키고, 교차 노드는 그 다음에, 마지막으로 주변 노드가 업데이트된다. 이는 라벨이 안정적인 핵심 영역에서 먼저 확정된 뒤, 주변으로 퍼져나가면서 전체 네트워크의 라벨 일관성을 높이는 효과를 만든다. 둘째, 라벨 선택 시 단순 다수결이 아니라 ‘역할 가중 다수결’ 방식을 적용한다. 각 이웃 라벨에 대해 가중치를 부여하는데, 핵심 노드의 라벨은 높은 가중치를, 교차 노드의 라벨은 중간 가중치를, 주변 노드의 라벨은 낮은 가중치를 부여한다. 이를 통해 라벨이 무작위로 전파되는 것을 억제하고, 커뮤니티 내부 결속도를 유지한다.

알고리즘 구현 과정에서 노드 역할을 판단하기 위해 지역 클러스터링 계수와 내부/외부 연결 비율을 결합한 역할 점수를 계산한다. 역할 점수는 매 반복마다 갱신되며, 역할 변동이 심한 경우 라벨 업데이트 순서를 재조정한다. 이 과정은 전체 복잡도에 큰 영향을 주지 않으며, 실험에서는 O(m) 수준의 실행 시간을 유지하였다.

성능 평가에서는 LFR 벤치마크 네트워크와 실제 네트워크(예: Zachary Karate Club, DBLP 협업망, Amazon 제품 네트워크)를 사용하였다. 정량적 평가지표로는 정규화된 상호 정보(NMI), 모듈러리티(Q), 그리고 커뮤니티 수와 크기 분포를 분석하였다. 결과는 roLPA가 기존 LPA와 비교해 NMI와 Q에서 평균 5~12% 향상을 보였으며, 특히 고밀도 영역에서 발생하던 몬스터 커뮤니티 현상이 크게 감소하였다. 또한, Louvain, Infomap, OSLOM 등 최신 커뮤니티 탐지 알고리즘과 비교했을 때, 전체적인 정확도와 안정성 면에서 동등하거나 약간 우수한 성능을 기록하였다.

하지만 논문에서도 몇 가지 한계점이 언급된다. 첫째, 역할 점수 계산에 사용되는 파라미터(예: 클러스터링 계수 임계값)의 선택이 결과에 민감하게 작용한다는 점이다. 둘째, 매우 큰 규모(수억 노드) 네트워크에서는 역할 판단 단계가 메모리와 연산량을 증가시켜 실시간 적용에 제약이 있을 수 있다. 셋째, 동적 네트워크(시간에 따라 변하는 그래프)에서는 역할 변동을 실시간으로 추적하는 추가 메커니즘이 필요하다. 이러한 점들을 보완하기 위한 향후 연구 방향으로는 파라미터 자동 튜닝, 분산 구현, 그리고 동적 네트워크에 대한 연속적 역할 업데이트 방법이 제시된다.

요약하면, roLPA는 노드의 구조적 역할을 명시적으로 고려함으로써 라벨 전파 과정의 무작위성을 감소시키고, 커뮤니티 경계의 명확성을 높이며, 기존 LPA의 주요 단점인 불안정성과 몬스터 커뮤니티 형성을 효과적으로 완화한다. 이는 라벨 전파 기반 커뮤니티 탐지 연구에 새로운 패러다임을 제시하며, 실용적인 대규모 네트워크 분석에 적용 가능한 가능성을 보여준다.