네트워크에서 선택적 수확

본 연구는 네트워크 데이터 수집 및 분석에서 흔히 가정되는 ‘전체 그래프와 엣지 가중치가 사전에 알려진’ 전제에서 벗어나, 실제 온라인 소셜 네트워크, 블로그, 인용 네트워크 등에서 관측 가능한 정보가 제한적인 상황을 모델링한다. 이를 ‘선택적 수확(Selective Harvesting)’이라 명명하고, 문제 정의를 다음과 같이 정리한다. 주어진 무방향 그래프 G=(V,E)와 각 노드 v∈V가 M차원의 속성 벡터 aᵥ를 갖는다. 목표는 불리언 함수 f(v)∈{0,1}에 따라 타깃 노드 집합 V⁺를 최대한 많이 발견하는 것이며, 전체 질의 횟수는 예산 T로 제한된다. 초기에는 시드 노드 집합 Q₀(보통 하나의 타깃)만 알려지고, 매 단계 t에서는 현재까지 질의한 노드 Qₜ와 그 이웃 Bₜ 중 하나를 선택해 질의한다. 질의된 노드 v는 레이블 yᵥ, 속성 aᵥ, 그리고 인접 노드 정보를 제공하며, 이후 Qₜ₊₁=Qₜ∪{v}, Bₜ₊₁는 새로 관측된 이웃으로 업데이트된다. 이때 학습에 사용할 수 있는 데이터는 Qₜ에 속한 레이블·속성 및 Bₜ와의 연결 구조뿐이며, Bₜ 자체의 속성은 알 수 없다. 문제의 핵심 난점은 ‘터널 비전(tunnel vision)’ 현상이다. 단일 분류기가 현재까지 수집한 데이터에 과도하게 적합되면, 탐색이 특정 특성을 가진 노드에만 편중되어 새로운 영역을 탐색하지 못한다. 이는 특히 타깃이 희소하고 그래프가 동질성(homophily)을 보일 때 심각해진다. 저자들은 기존 활성 탐색(Active Search), 최대 관측 차수(MOD), 사회 네트워크 UCB1(SN‑UCB1), 활성 샘플링(PNB) 등 네 가지 대표 알고리즘을 선택적 수확 환경에 그대로 적용해 실험했으며, 모두 초기에는 어느 정도 성과를 보이지만 시간이 지남에 따라 성능이 급격히 저하되는 것을 확인했다. 이를 극복하기 위한 전략으로 ‘다중 분류기 전환’이 제안된다. 서로 다른 학습 편향을 가진 여러 분류기(예: 로지스틱 회귀, 랜덤 포레스트, 서포트 벡터 머신, k‑최근접 이웃 등)를 라운드 로빈 방식이나 밴딜 기반 정책으로 교체하면서, 각 단계마다 다른 모델이 후보 노드를 평가한다. 이렇게 하면 (1) 각 모델이 제공하는 학습 샘플이 서로 달라져 전체 데이터의 다양성이 증가하고, (2) 모델마다 선호하는 후보 노드 집합이 달라져 탐색 공간 자체가 넓어지며, (3) 터널 비전으로 인한 편향이 상쇄된다. 특히 전통적인 앙상블(가중 평균, 배깅, 부스팅 등)은 매 단계마다 모든 모델의 예측을 결합해 하나의 결정만 내리기 때문에 위와 같은 다양성 효과를 얻지 못한다. 다중 분류기 전환을 효율적으로 관리하기 위해 ‘Directed Diversity Dynamic Thompson Sampling(D³TS)’이 설계되었다. D³TS는 각 분류기를 하나의 팔(arm)로 보고, 시간에 따라 변하는 보상(질의한 노드가 타깃인지 여부)의 확률분포가 비정상적(non‑stationary)임을 가정한다. Thompson Sampling의 베이지안 업데이트를 동적으로 수행하면서, 현재까지 관측된 보상에 기반해 각 팔의 posterior를 추정한다. 동시에 ‘다양성 보상(diversity reward)’을 도입해, 최근에 사용되지 않은 분류기를 선택할 확률을 높인다. 이 과정은 전통적인 탐색‑활용 트레이드오프에 ‘다양성(diversification)’ 차원을 추가해, 탐색이 한쪽으로 치우치지 않도록 한다. 실험은 7개의 실제 네트워크 데이터셋(예: CiteSeer 논문 인용 네트워크, DBLP, Yelp, Amazon 등)에서 수행되었다. 각 데이터셋에 대해 예산 T를 500~1500까지 변화시키며 80번의 독립 실행을 반복했다. 결과는 다음과 같다. (1) 라운드 로빈 방식만으로도 단일 최적 분류기보다 평균 12%~25% 높은 타깃 회수율을 달성했다. (2) D³TS는 라운드 로빈보다 추가로 5%~15% 정도 향상되었으며, 특히 타깃 비율이 1% 이하인 희소 데이터에서 그 차이가 크게 나타났다. (3) 기존 활성 탐색(AS)과 MOD, SN‑UCB1, PNB 등은 초기에는 경쟁력 있었지만, 질의가 진행될수록 성능이 급격히 감소해 결국 라운드 로빈 수준에 못 미쳤다. (4) 앙상블 기반 방법(배깅, 부스팅)은 D³TS와 비교해 8%~20% 낮은 성능을 보였으며, 이는 앙상블이 탐색 다양성을 제공하지 못함을 의미한다. 논문의 주요 기여는 다음과 같다. 첫째, 전체 그래프가 알려지지 않은 상황에서 활성 탐색 문제를 새로운 ‘선택적 수확’ 프레임워크로 정의하고, 터널 비전 현상을 정량적으로 분석했다. 둘째, 다중 분류기 전환이 탐색 데이터와 후보 노드 선택의 다양성을 동시에 확보함으로써 터널 비전을 완화한다는 실증적 증거를 제시했다. 셋째, 비정상적 보상 구조를 고려한 다중 무장 밴딜 알고리즘 D³TS를 설계해, 탐색‑활용‑다양성 삼중 균형을 이론적·실험적으로 입증했다. 마지막으로, 실제 대규모 네트워크에 적용 가능한 구현체와 재현 가능한 코드를 공개함으로써 향후 연구와 실무 적용에 기여한다.