네트워크 커뮤니티 탐지를 위한 스택펠버 게임 기반 비모수 알고리즘

초록

본 논문은 네트워크 내 동적 커뮤니티를 자동으로 식별하기 위해 스택펠버 듀오폴리 게임에서 영감을 얻은 CASCODE 알고리즘을 제안한다. 리더‑팔로워 관계를 노드 간에 설정해 내부 연결 구조를 활용함으로써 사전 정의된 커뮤니티 수 없이도 자연스럽게 군집 수를 추정하고, 밀집 네트워크에서도 미세한 커뮤니티를 효과적으로 분리한다.

상세 분석

CASCODE는 기존의 전역 최적화 기반 모듈러리티 극대화와 스펙트럴 클러스터링의 한계를 보완한다는 점에서 의미가 크다. 전자는 전체 그래프의 파티션 품질을 한 번에 최적화하려다 보니 지역 구조, 특히 작은 밀집 서브그래프를 간과하기 쉽고, 파라미터(예: 커뮤니티 수) 설정에 민감하다. 스펙트럴 방법은 라플라시안 행렬의 고유벡터를 이용해 저차원 임베딩을 만든 뒤 k‑means와 같은 외부 클러스터링 기법에 의존한다. 이때 k값을 미리 지정해야 하며, 고유벡터의 스펙트럼 갭이 명확하지 않을 경우 군집 경계가 흐려진다.

CASCODE는 이러한 문제를 “리더‑팔로워” 게임 이론 모델로 재구성한다. 먼저 각 노드의 차수와 이웃 관계를 기반으로 잠재적 리더 후보를 선정한다. 리더는 자신의 커뮤니티 내에서 높은 중심성을 갖는 노드로 정의되며, 팔로워는 리더에게 가장 큰 영향을 받는 이웃 노드들이다. 게임 진행 과정에서 리더는 자신의 전략(예: 커뮤니티 라벨)을 선언하고, 팔로워는 그 라벨을 채택하거나 자신이 더 강력한 리더 후보라면 새로운 라벨을 제안한다. 이 과정을 계층적으로 반복하면서 초기 리더 집합이 점차 축소되고, 최종적으로 남은 리더들이 최종 커뮤니티 라벨을 담당한다.

핵심 기술적 기여는 다음과 같다. 첫째, 리더 선정 기준에 차수 외에도 클러스터링 계수와 페이지랭크 등 다중 중심성 지표를 결합해 노드의 내부 결속력을 정량화한다. 둘째, 팔로워의 라벨 선택은 확률적 베스트‑리스폰스 메커니즘을 사용해 노드 간 상호작용을 동적으로 반영한다. 셋째, 알고리즘은 자연스럽게 “커뮤니티 수”를 데이터 자체에서 추출한다. 리더가 사라지면 해당 서브그래프는 이미 다른 리더에 흡수된 것으로 간주되며, 이는 과도한 군집 분할을 방지한다. 넷째, 시간 복잡도는 각 라운드마다 O(|E|) 수준이며, 라운드 수는 그래프 직경에 비례해 로그적으로 수렴한다는 실험적 증거가 제시된다.

실험에서는 LFR 벤치마크와 실제 소셜·생물학 네트워크(예: Facebook, DBLP, PPI)를 대상으로 NMI와 ARI 지표를 비교했다. CASCODE는 특히 커뮤니티 크기가 불균형하고 밀도가 높은 영역에서 기존 모듈러리티 기반 방법보다 10~15% 높은 정확도를 기록했으며, 스펙트럴 클러스터링 대비 라벨 수 추정 오류가 현저히 낮았다. 또한, 알고리즘은 노드 추가·삭제와 같은 동적 변화에 대해 온라인 업데이트가 가능하도록 설계돼, 실시간 네트워크 분석에도 적용 가능함을 보였다.

이러한 특성은 네트워크 과학에서 “내부 구조 기반” 커뮤니티 탐색이라는 새로운 패러다임을 제시한다는 점에서 학술적·실용적 가치가 크다. 특히, 사전 파라미터 설정이 어려운 대규모 복합 시스템(예: 금융 거래망, IoT 디바이스 연결망)에서 자동화된 군집 수 추정과 미세 구조 탐지가 요구될 때 CASCODE는 강력한 대안이 될 수 있다.