시간 네트워크에서 최대 스팬 코어 탐색

초록

본 논문은 시간 네트워크에서 정점 집합의 밀집도와 지속 기간을 동시에 고려한 “스팬 코어” 개념을 정의하고, 모든 스팬 코어를 효율적으로 구하는 알고리즘과, 전체를 계산하지 않고도 최대 스팬 코어만을 직접 추출하는 고속 알고리즘을 제안한다. 실험을 통해 제안 방법이 기존 방식보다 수십 배 빠르며, 학교 내 대면 접촉 데이터에 적용해 사회적 동역학 분석 및 이상 탐지에 유용함을 입증한다.

상세 분석

스팬 코어는 전통적인 k‑코어 개념에 시간 구간 Δ를 추가한 형태로, (k,Δ)‑코어는 Δ 구간 동안 모든 정점이 최소 k개의 공통 이웃을 갖는 최대 정점 집합이다. 시간 구간이 연속적이라는 제약 때문에 전체 가능한 구간 수는 |T|·(|T|+1)/2 로 이차적으로 증가하지만, 각 구간에 대해 별도로 코어 분해를 수행하면 중복 연산이 크게 발생한다. 논문은 “수평 포함 관계”(Δ′⊑Δ)와 “수직 포함 관계”(k′≤k)를 동시에 활용해, 큰 구간의 코어를 계산할 때 작은 구간들의 1‑코어 교집합을 초기 후보 집합으로 사용한다. 이는 Corollary 1에서 증명된 바와 같이, C₁,Δ ⊆ C₁,Δ⁺ ∩ C₁,Δ⁻ 로 표현될 수 있음을 이용한 것이다. 알고리즘 1은 구간 길이를 1부터 증가시키며, 각 구간에 대해 위 교집합을 초기화하고, 기존의 선형 시간 k‑코어 분해(핵심 정렬 기반)를 적용한다. 이 과정에서 이미 계산된 코어 정보를 재활용함으로써 전체 복잡도를 O(|T|·|E|) 수준으로 낮춘다.

최대 스팬 코어는 다른 어떤 코어에 의해 k와 Δ 모두에서 지배되지 않는 코어를 의미한다. 전체 코어를 모두 구한 뒤 필터링하는 방법은 비효율적이므로, 논문은 최대성 조건을 정리한 일련의 정리를 제시한다. 핵심 아이디어는 “좌·우 경계” 구간에 대해 각각 가장 높은 k값을 구하고, 그 교차점이 최대 코어 후보가 된다는 점이다. 이를 기반으로 Algorithm 2는 각 시작 시점 tₛ에 대해 가능한 종료 시점 tₑ를 탐색하면서, 현재 구간의 최소 k값을 유지하고, 이전 구간에서 얻은 최대 k와 비교해 더 큰 경우에만 새로운 최대 코어를 기록한다. 이렇게 하면 불필요한 하위 코어 계산을 완전히 배제하고, 전체 구간 탐색만으로 최대 코어 집합을 도출한다.

실험에서는 7개의 실제 시간 네트워크(학교, 대학, 온라인 커뮤니케이션 등)를 사용해 알고리즘 1과 알고리즘 2의 실행 시간을 비교했다. 결과는 기존 naïve 방법(각 구간마다 독립적인 코어 분해) 대비 평균 20배~200배 빠른 성능을 보였으며, 메모리 사용량도 크게 감소했다. 특히 최대 코어만을 추출하는 경우 전체 코어 수가 수십만에 달하던 데이터셋에서도 몇 천 개 수준으로 압축되어, 후속 분석이 실용적이었다.

응용 사례로는 학교 내 얼굴‑대면 접촉 데이터를 이용해, 특정 시간대에 높은 코어 차수를 보이는 학생 그룹을 식별하고, 급격한 밀집도 변화를 이상 징후(예: 교실 교체, 급식 시간)로 해석하였다. 이러한 분석은 전염병 전파 모델링이나 행동 패턴 변동 감지에 직접 활용될 수 있다.

전반적으로 논문은 시간 네트워크에서 밀집 서브그래프를 탐색하는 새로운 프레임워크를 제시하고, 포함 관계를 정량적으로 활용한 알고리즘 설계가 이론적·실험적 모두에서 뛰어난 효율성을 입증한다. 향후 연구에서는 가중치·방향성·불확실성 등을 포함한 확장 모델과, 실시간 스트리밍 환경에서의 업데이트 기법을 탐색할 여지가 있다.