밀도 기반 클러스터링을 이용한 복합 네트워크 커뮤니티 탐지

초록

본 논문은 기존 밀도 기반 클러스터링 알고리즘인 Fdp를 네트워크 커뮤니티 탐지에 적용하기 위해 IsoFdp라는 새로운 방법을 제안한다. Isomap을 이용해 고차원 네트워크 데이터를 저차원 매니폴드로 변환한 뒤, 변환된 공간에서 Fdp를 수행한다. 또한, 개선된 파티션 밀도 함수를 도입해 최적의 커뮤니티 수를 자동으로 결정한다. 합성 및 실제 네트워크 실험을 통해 기존 최첨단 기법보다 우수한 성능을 입증한다.

상세 분석

IsoFdp는 두 단계로 구성된다. 첫 번째 단계는 네트워크의 인접 행렬이나 유사도 행렬을 기반으로 고차원 거리 행렬을 만든 뒤, Isomap(다차원 스케일링 기반 비선형 차원 축소 기법)을 적용해 저차원 매니폴드에 매핑한다. Isomap은 그래프의 최단 경로 거리를 보존하면서 전역적인 구조를 유지하므로, 원래 네트워크에서 노드 간의 복잡한 관계가 저차원 공간에서 선형적인 거리로 표현된다. 이 과정에서 노드들의 “밀도”(local density, ρ)와 “거리”(δ, 가장 높은 밀도를 가진 다른 노드와의 최소 거리) 값을 계산할 수 있게 된다.

두 번째 단계는 변환된 저차원 공간에서 Fdp(Fast search and find of density peaks) 알고리즘을 적용하는 것이다. Fdp는 ρ와 δ를 이용해 클러스터 중심을 자동으로 식별하고, 각 노드를 가장 가까운 중심에 할당한다. 기존 Fdp는 데이터가 명확한 밀도 피크를 가질 때 효과적이지만, 네트워크 데이터는 종종 밀도 분포가 평탄하거나 피크가 모호해 중심을 찾기 어렵다. IsoFdp는 Isomap을 통해 이러한 문제를 완화한다. 저차원 매니폴드에서는 커뮤니티 내부 노드들이 서로 가깝게 모이고, 커뮤니티 간 경계는 상대적으로 멀어지므로, Fdp가 명확한 피크를 감지할 수 있다.

또한, 논문에서는 파티션 밀도(partition density) 함수를 개선하였다. 기존 파티션 밀도는 커뮤니티 내부 연결 수와 전체 연결 수의 비율을 사용했지만, 커뮤니티 수가 증가하면 값이 급격히 감소하는 단점이 있었다. 개선된 함수는 커뮤니티 수에 대한 정규화 항을 추가해, 최적의 커뮤니티 수를 찾는 과정에서 과소/과대 추정을 방지한다. 이를 통해 자동으로 적절한 K값을 선택할 수 있다.

실험에서는 LFR(Lancichinetti–Fortunato–Radicchi) 합성 네트워크와 여러 실제 소셜·생물학 네트워크(예: Zachary’s Karate Club, Dolphin social network, Protein–Protein Interaction network)를 대상으로 비교하였다. 평가 지표는 정밀도·재현율·NMI(Normalized Mutual Information) 등을 사용했으며, IsoFdp는 기존 메타클러스터링, 모듈러리티 최적화, 스펙트럴 클러스터링 등과 비교해 전반적으로 높은 점수를 기록했다. 특히, 노드 간 유사도가 비선형적으로 변하는 경우(Isomap이 효과를 발휘하는 경우) 성능 차이가 두드러졌다.

이 논문의 주요 기여는 다음과 같다. 첫째, 네트워크 데이터를 저차원 매니폴드로 변환해 밀도 기반 클러스터링을 적용할 수 있는 새로운 파이프라인을 제시했다. 둘째, 파티션 밀도 함수를 개선해 커뮤니티 수를 자동으로 결정하는 메커니즘을 제공했다. 셋째, 다양한 실험을 통해 제안 방법이 기존 최첨단 기법보다 견고하고 정확함을 입증했다. 다만, Isomap의 계산 복잡도(O(N^2)~O(N^3))가 큰 네트워크에 적용하기 어려울 수 있다는 제한점이 남아 있다. 향후 연구에서는 근사 거리 계산이나 랜덤 샘플링을 통해 확장성을 높이는 방안을 모색할 필요가 있다.