대규모 그래프 데이터베이스 구조적 클러스터링

본 논문은 라벨이 부착된 소규모 그래프들의 대규모 데이터베이스를 대상으로, 기존의 벡터 변환이나 그래프 편집 거리와 같은 고비용 방법을 회피하고 효율적인 구조적 군집화를 수행할 수 있는 새로운 알고리즘 ‘StruClus’를 제안한다. 1. **문제 정의 및 배경** - 분자, 단백질 상호작용 네트워크, XML 문서 등 다양한 도메인에서 데이터가 라벨 그래프 형태로 표현된다. - 기존 방법은 그래프를 특성 벡터로 변환하거나, 그래프 간 거리(공통 서브그래프 거리, 편집 거리)를 계산한다. 전자는 차원 폭증과 해석 불가능성을 초래하고, 후자는 NP‑hard 특성으로 대규모 데이터에 비현실적이다. 2. **StruClus의 핵심 아이디어** - 각 클러스터를 하나 이상의 ‘대표 서브그래프’(representative)로 설명한다. 대표는 해당 클러스터 내 다수 그래프가 공통으로 포함하는 서브그래프이며, 클러스터 외부에서는 드물게 나타난다. - 대표를 찾기 위해 ‘빈번 서브그래프 마이닝’ 기법을 활용한다. 전체 데이터셋에서 모든 빈번 서브그래프를 열거하는 대신, ORIGAMI 기반의 무작위 최대 빈번 연결 서브그래프 샘플링을 수행한다. 3. **샘플링 기반 지원 추정** - 서브그래프의 지원(support)을 정확히 계산하려면 모든 그래프에 대해 서브그래프 동형 검사를 해야 하는데, 이는 비용이 크다. - 논문은 베르누이 분포를 가정하고, 무작위 샘플 H ⊂ G에서 지원 비율 ˆθ를 추정한다. 이항 검정을 통해 ‘지원이 최소 지원 임계값(minSup)보다 낮다’는 가설을 검증하고, 필요 시 샘플 크기를 두 배씩 늘린다. - 다중 가설 검정 보정을 위해 Bonferroni 방법을 적용해 전체 오류를 제한한다. 4. **대표 선택 및 순위 매기기** - 후보 서브그래프 집합 S(C)에서 최종 대표 집합 R(C)를 선택한다. - 순위 함수는 (a) 클러스터 내 지원 비율, (b) 대표가 차지하는 그래프 전체 구조 비율(coverage), (c) 전체 데이터셋 대비 지원 차이를 곱한 형태이다. - 사용자 정의 파라미터 R_max에 따라 상위 R_max개의 후보를 최종 대표로 채택한다. 5. **클러스터링 절차** - **전처리(pre‑clustering)**: 가벼운 초기 분할을 수행해 초기 클러스터 집합을 만든다. - **반복 최적화**: K‑Means와 유사하게 (i) 대표 업데이트, (ii) 각 그래프를 가장 높은 지원을 제공하는 대표가 속한 클러스터에 할당, (iii) 클러스터 분할·병합을 통해 군집 수와 경계를 자동 조정한다. - **분할·병합 기준**: 클러스터 내부 지원 비율이 minSup 이하이면 분할, 서로 다른 클러스터 간 대표 지원이 높은 경우 병합한다. 6. **복잡도 분석** - 대표 수가 제한적이고, 지원 검증이 샘플링 기반이므로 각 반복 단계의 시간은 O(|G|·|R|)에 비례한다. |R|은 R_max에 의해 상수 수준으로 유지되므로 전체 알고리즘은 데이터셋 크기에 대해 선형에 가까운 시간 복잡도를 가진다. - 또한, 각 클러스터의 대표 채굴 과정은 독립적이므로 다중 코어 환경에서 손쉽게 병렬화할 수 있다. 7. **실험 및 평가** - synthetic 데이터와 PubChem, ChEMBL 등 실제 분자 데이터셋을 사용해 SCAP, PROCLUS, Kernel K‑Means와 비교하였다. - **성능**: StruClus는 실행 시간이 기존 방법 대비 10배 이상 빠르며, 데이터 규모가 증가해도 선형적인 성장 패턴을 보였다. - **품질**: 정밀도, 재현율, NMI 등 군집 품질 지표에서 일관적으로 우수했으며, 특히 클러스터 내 동질성이 높은 경우 높은 점수를 기록했다. - **해석 가능성**: 각 클러스터에 대한 대표 서브그래프가 실제 화학 구조(예: 특정 작용기)를 반영함을 확인했으며, 이는 도메인 전문가가 결과를 직관적으로 이해하고 활용할 수 있게 한다. 8. **결론 및 향후 연구** - StruClus는 빈번 서브그래프 샘플링, 통계적 지원 추정, 대표 기반 클러스터링이라는 세 가지 혁신적 요소를 결합해, 대규모 라벨 그래프 데이터베이스를 효율적이고 해석 가능하게 군집화한다. - 향후 연구에서는 (a) 더 복잡한 그래프(예: 방향성, 가중치)로 확장, (b) 대표 선택에 머신러닝 기반 가중치를 도입, (c) 클라우드 환경에서의 대규모 병렬 구현 등을 제안한다.