다중층 네트워크를 위한 비음수 행렬 분해 기반 복합 커뮤니티 탐색

본 논문은 멀티플렉스 네트워크, 즉 동일한 정점 집합을 공유하지만 서로 다른 에지 집합을 갖는 다중 레이어 구조에서 모든 레이어에 공통적인 커뮤니티(복합 커뮤니티)를 효율적으로 탐지하는 새로운 방법론을 제시한다. 기존 연구는 주로 (1) 레이어들을 단순히 합쳐 단일 그래프를 만든 뒤 단일 레이어 커뮤니티 탐지 알고리즘을 적용하거나, (2) 각 레이어별 모듈러리티를 최적화한 뒤 차원 축소·클러스터링을 수행하거나, (3) 스펙트럴 클러스터링을 다중 라플라시안에 확장하거나, (4) 행렬·텐서 분해를 이용해 공통 잠재 구조를 찾는 방식으로 접근했다. 그러나 이러한 방법들은 레이어 간 노이즈 차이를 적절히 처리하지 못하거나, 레이어별 정보의 상보성을 충분히 활용하지 못한다는 한계를 가지고 있었다. 이에 저자들은 “Network Fusion for Composite Community Extraction”(NF‑CCE)라는 프레임워크를 설계하였다. NF‑CCE는 크게 두 단계로 구성된다. 1) **레이어별 비음수 행렬 분해(NMF) 단계**: 각 레이어의 인접 행렬 \(A^{(i)}\)에 대해 네 가지 서로 다른 NMF 변형(대칭 NMF, 정규화 NMF, 라플라시안 기반 NMF, 라플라시안 제곱근 NMF)을 적용한다. 이를 통해 각 레이어마다 비음수 저차원 특성 행렬 \(W^{(i)}\)와 계수 행렬 \(H^{(i)}\)를 얻는다. 이 과정은 레이어별 노이즈를 감소시키고, 클러스터링에 직접 사용 가능한 비음수 표현을 제공한다. 2) **공통 잠재 표현 융합 단계**: 각 레이어가 생성한 서브스페이스 \(\mathcal{S}^{(i)}=\text{span}(W^{(i)})\)를 Grassmann 다양체 \(\mathcal{G}(k,n)\) 위의 점으로 해석한다. Grassmann 다양체는 서로 다른 서브스페이스 간 거리와 평균을 정의할 수 있는 기하학적 구조를 제공한다. 저자들은 공동 비음수 행렬 \(U\)를 도입하고, 전체 목적함수를 다음과 같이 설계한다. \