블록 모델을 위한 새로운 반정밀도 프로그래밍 접근법

초록

이 논문은 확률적 블록 모델(SBM)의 최대우도 추정(MLE)을 반정밀도 프로그래밍(SDP)으로 완화한 새로운 방법인 SDP‑1을 제안한다. 기존 SDP 방법보다 더 강력한 완화와 이론적 보장을 제공하며, 강한 동질성 가정 대신 약한 동질성만으로도 정확한 커뮤니티 복구가 가능함을 증명한다. 또한 SDP‑1은 블록 크기가 비슷한 해를 선호해 그래프온 히스토그램 추정에 적합하고, 실험을 통해 스펙트럴 방법보다 우수함을 보인다.

상세 분석

본 논문은 SBM의 MLE를 직접 풀어야 하는 NP‑hard 문제를, 행렬 변수 X=ZZᵀ 형태의 이진 클러스터링 행렬에 대한 SDP 완화로 변환한다. 기존 연구(Chen‑Xu, Cai‑Li 등)는 X에 대한 핵노름·트레이스 제약 혹은 전체 합 제약만을 부여했으나, 저자는 블록이 균등한 경우(균형 PP‑bal) X가 반드시 행합이 n/K가 되도록 n개의 선형 제약을 추가한다. 이로써 제약 집합이 X≽0, 0≤X≤1, diag(X)=1, X1ₙ=(n/K)1ₙ 로 정의된 SDP‑1이 도출된다.

이 완화는 두 가지 측면에서 기존 SDP보다 ‘더 타이트’하다. 첫째, 전체 합 제약을 개별 행 합 제약으로 세분화함으로써 허용 가능한 해 공간을 크게 축소한다. 둘째, 핵노름 제약을 트레이스 제약으로 대체하면서도 PSD와 0–1 구간 제약을 유지해 순위 억제 효과를 유지한다.

이론적 분석은 primal‑dual witness 기법을 활용한다. 저자는 최적해 X*가 실제 커뮤니티 행렬과 일치하도록, 라그랑주 승수와 보조 변수들을 명시적으로 구성한다. 핵심 가정은 ‘약한 동질성(weak assortativity)’이다. 정의에 따르면, 같은 블록 내 연결 확률 p와 다른 블록 간 연결 확률 q 사이의 차이가 양수이며, 기대 평균 차이가 Ω(log n) 수준이면 충분히 큰 신호‑대‑잡음 비율을 보장한다. 이는 기존 연구가 요구한 ‘강한 동질성(strong assortativity)’(p−q≫√(p(1−p)/n) 등)보다 완화된 조건이다.

또한 저자는 SDP‑2와 SDP‑3이 강한 동질성 없이는 정확 복구에 실패한다는 부정 결과를 제시한다. 구체적으로, 라그랑주 이중 변수의 부호가 보장되지 않아 최적해가 실제 클러스터 행렬을 벗어나게 되는 경우를 구성한다. 이는 기존 SDP가 단순히 분석 기법의 한계가 아니라 구조적 한계임을 증명한다.

실험에서는 K가 10~50인 대규모 SBM에 대해 SDP‑1, SDP‑2, SDP‑3, 그리고 정규화 스펙트럴 클러스터링을 비교한다. 정확도(정확 복구 비율)와 실행 시간을 모두 보고, 특히 블록 수가 많고 블록 크기가 균등하지 않을 때 SDP‑1이 가장 높은 정확도를 유지한다. 또한 ‘네트워크 히스토그램’(그래프온 추정) 실험에서, 동일한 블록 크기를 강제하는 SDP‑1이 히스토그램의 바(bin) 크기를 균등하게 맞추어 그래프온 근사 오차를 최소화한다는 점을 확인한다.

마지막으로, ADMM 기반 1차 SDP 솔버를 제시해 대규모(수천 노드) 문제에서도 실용적인 실행 시간을 달성한다. 이 구현은 PSD 제약을 투사하는 단계와 행합 제약을 만족시키는 단계로 구성되며, 수렴 속도는 이론적 보증을 갖는다.

요약하면, SDP‑1은 (1) 더 타이트한 제약 설계, (2) 약한 동질성만으로도 정확 복구 가능, (3) 블록 크기 균등성을 자연스럽게 유도, (4) 그래프온 히스토그램 등 비정형 응용에 적합, (5) 실험적으로 기존 SDP와 스펙트럴 방법을 능가한다는 장점을 가진다.