뉴먼 모듈러리티 군집 찾기의 복잡도 분석

초록

본 논문은 뉴먼이 제안한 모듈러리티 기반 커뮤니티 탐색 문제의 정확한 계산 복잡성을 체계적으로 조사한다. 그래프를 희소와 조밀 두 경우로 나누어, 조밀 그래프에서는 (1+ε) 근사 불가능성을, 희소 그래프에서는 로그 수준의 근사 알고리즘을 제시한다. 또한 2-클러스터링 문제의 NP‑완전성을 증명하고, LP와 SDP 기반 근사 기법의 한계와 가능성을 분석한다.

상세 분석

이 논문은 모듈러리티 클러스터링을 “전역 영 모델(null model)”에 대한 통계적 유의성을 기반으로 하는 최적화 문제로 정의한다. 입력 그래프 G=(V,E)를 무방향 비가중 그래프라고 가정하고, 각 정점 v의 차수를 d_v라 할 때 영 모델에 의해 두 정점 사이에 존재할 기대 엣지 확률 p_uv = d_u d_v / (2m) 으로 설정한다. 모듈러리티 함수 M(C)=½m∑{u,v∈C}(a_uv - p_uv) 로 정의되며, 전체 파티션 S에 대한 목표는 M(S)=∑{C∈S}M(C)를 최대화하는 것이다.

주요 이론적 기여는 다음과 같다.

1. 조밀 그래프에 대한 (1+ε) 근사 불가능성

   • 그래프를 3‑regular 그래프의 보완(complement) 형태인 dense graph로 제한하고, 최대 독립 집합 문제의 알려진 APX‑hard 결과를 정밀하게 전이한다.
   • 감소 과정에서 각 정점의 기대 차수 d_v = Ω(√n) 를 유지하도록 설계했으며, 클러스터 내에 큰 크기의 완전 그래프가 반드시 포함되어야 함을 이용해 근사 비율 ε을 0.0006 수준까지 얇게 만든다.
   • 결과적으로, 조밀 그래프에서는 임의의 ε>0에 대해 (1+ε) 근사 알고리즘이 존재한다는 가정 자체가 P=NP를 의미한다는 강력한 불가능성을 보인다.

2. 희소 그래프에 대한 로그 근사

   • d‑regular 그래프(고정 d≥9)에서 2‑클러스터링 문제를 그래프 이분법(bisection) 문제로부터 NP‑완전성을 증명한다. 기존 결과는 차수가 Ω(√n) 이상이어야 했지만, 여기서는 상수 차수까지 낮춘다.
   • 선형 계획법(LP) 완화에 대해 큰 적분성 격차(integrality gap)를 보이며, 단순 LP만으로는 비트리비얼 근사도 불가능함을 확인한다.
   • 대신, 반정치 프로그램(SDP) 기반 기법을 활용해, 그래프의 최대 차수 Δ에 대해 O(log Δ) 근사 비율을 달성한다. 이는 모듈러리티 함수가 비단조(monotone)도, 서브모듈라(submodular)도 아니므로 기존의 근사 이론을 직접 적용할 수 없었지만, SDP의 양의 반정치성(positive semidefiniteness)과 음의 대각 성분을 적절히 처리함으로써 가능하게 했다.
   • 가중 그래프의 경우, 최대 가중 차수에 대해 O(log Δ) 근사를 얻으며, 특히 로컬하게 조밀한(각 정점의 가중 차수가 Ω(n)) 그래프에서는 정규성 정리(regularity lemma)를 이용해 상수 수준의 근사(ε‑additive)도 다항 시간에 구현 가능함을 보였다.

3. 다른 모델 및 확장

   • 방향성 가중 그래프에 대해서도 동일한 난이도와 근사 결과를 그대로 확장한다.
   • 뉴먼 모듈러리티의 두 가지 변형(클러스터 모듈러리티 최소값, Erdős‑Rényi 영 모델)도 분석했으며, 최소값 목표는 원래 합 목표와 거의 동일한 최적값 구조를 가지며, Erdős‑Rényi 영 모델은 특정 정규 그래프에서 뉴먼 모델과 동등함을 증명했다.

4. 기술적 난관 및 기여

   • 모듈러리티 행렬의 대각 원소가 음수인 점이 SDP 기반 근사의 기존 한계를 초과하는 주요 원인이었으며, 논문은 이를 극복하기 위한 두 단계(하한 추정 → SDP 근사) 전략을 제시한다.
   • 또한, LP 완화가 큰 적분성 격차를 보이는 구체적인 예시를 제공함으로써, 향후 연구가 SDP 혹은 정규성 정리와 같은 고급 기법에 의존해야 함을 명확히 했다.

전반적으로 이 연구는 모듈러리티 클러스터링이 실무에서 널리 쓰이지만 이론적으로는 매우 어려운 문제임을 증명하고, 그래프의 밀도에 따라 서로 다른 난이도와 근사 가능성을 명확히 구분한다는 점에서 중요한 학술적 기여를 한다.