잠재 기하학 기반 그래프 거리로 향상된 어피니티 전파 커뮤니티 탐지

초록

본 논문은 네트워크의 잠재 기하학을 활용해 어피니티 전파(Affinity Propagation) 알고리즘에 적합한 노드 거리 행렬을 설계한다. 제안된 잠재 기하학 기반 거리 측정법은 기존 방법보다 커뮤니티 탐지 정확도가 높으며, 합성 및 실제 네트워크에서 노이즈가 가해진 경우에도 견고함을 보인다.

상세 분석

Affinity Propagation(AP)은 데이터 포인트 간의 유사도(또는 거리) 행렬을 입력으로 받아, “예시(exemplar)”를 중심으로 클러스터를 형성하는 메시지 전달 방식이다. 복잡계 네트워크에 AP를 적용하려면, 무가중치 그래프의 토폴로지를 의미 있는 거리 행렬로 변환하는 것이 핵심 과제이다. 기존 연구에서는 최단 경로 거리, 전기 저항 거리, 임베딩 기반 유클리드 거리 등을 사용했지만, 이들 방식은 네트워크가 내재하는 비유클리드적, 특히 초곡률(hyperbolic) 구조를 충분히 포착하지 못한다는 한계가 있었다.

본 논문은 이러한 한계를 극복하기 위해 ‘잠재 기하학(latent geometry)’ 개념을 도입한다. 네트워크는 종종 저차원 초곡률 공간에 매핑될 수 있으며, 이 공간에서의 기하학적 거리(예: 하이퍼볼릭 거리)는 노드 간의 실제 연결 가능성을 더 정확히 반영한다. 저자들은 세 가지 새로운 거리 측정법을 제안한다. 첫째, 네트워크를 초곡률 임베딩(예: Poincaré ball)으로 변환한 뒤, 임베딩 좌표 간의 하이퍼볼릭 거리(Hyperbolic Distance, HD)를 이용한다. 둘째, 각 엣지에 대한 ‘곡률 가중치(curvature weight)’를 계산하고, 이를 최단 경로 길이에 누적해 ‘곡률‑보정 거리(Curvature‑Adjusted Distance, CAD)’를 만든다. 셋째, 노드의 근접성을 나타내는 ‘잠재 기하학 거리(Latent Geometry Distance, LGD)’를 정의하는데, 이는 노드의 좌표와 주변 구조(공동 이웃, 클러스터링 계수)를 복합적으로 고려한다.

이러한 거리 행렬은 AP의 책임(Responsibility)과 가용성(Availability) 메시지 업데이트에 직접 사용되며, 기존 유클리드 거리 기반 AP보다 더 뚜렷한 예시를 선택하도록 유도한다. 실험에서는 LFR 벤치마크 네트워크(다양한 μ, 커뮤니티 크기, 겹침 비율)와 실제 사회·생물·기술 네트워크(예: Zachary’s Karate, DBLP, Protein‑Protein Interaction)를 대상으로 NMI, ARI, Modularity 등을 평가하였다. 결과는 특히 μ가 0.5 이상으로 커뮤니티 경계가 흐려지는 상황에서 LGD‑AP가 Infomap과 유사한 NMI를 달성하고, Louvain보다 평균 8~12% 높은 성능을 보였음을 보여준다. 또한, 무작위 엣지 삭제·추가(10%~30%) 실험에서 제안 방법은 성능 저하가 최소화돼, 노이즈에 강인한 특성을 확인하였다.

복잡도 측면에서는 거리 행렬 계산이 O(N²)인 점이 단점이지만, 저자는 랜드마크 기반 근사와 병렬 구현을 통해 실용적인 실행 시간을 확보하였다. 전반적으로, 잠재 기하학을 이용한 거리 설계가 AP의 메시지 전달 메커니즘과 잘 맞물려, 복잡계 네트워크의 커뮤니티 구조를 효과적으로 복원한다는 중요한 통찰을 제공한다.