신경망 기반 네트워크 중심성 측정 근사화 튜토리얼

초록

**
본 논문은 복잡 네트워크에서 계산 비용이 높은 정점 중심성(Betweenness, Closeness)을 신경망 회귀 모델로 빠르게 근사화하는 방법론을 제시한다. BTER 모델로 생성한 다양한 규모의 합성 그래프를 학습 데이터로 활용하고, 최적의 네트워크 구조·하이퍼파라미터를 탐색한다. 30개의 대규모 실제 네트워크에 적용해 정확도와 실행 시간·메모리 측면에서 기존 근사 알고리즘을 크게 능가함을 실험적으로 입증한다.

**

상세 분석

**
이 논문은 복잡 네트워크 분석에서 가장 널리 쓰이는 정점 중심성 지표인 betweenness와 closeness를 직접 계산하는 것이 O(N·E) 혹은 O(N³) 수준의 높은 복잡도를 갖는다는 문제점을 지적한다. 이를 해결하기 위해 저자들은 두 단계의 전략을 채택한다. 첫 번째는 학습용 데이터 생성을 위해 Block Two‑Level Erdős‑Rényi (BTER) 모델을 사용한다. BTER는 실제 네트워크가 보이는 클러스터링 계수와 차수 분포를 보존하면서도 노드 수를 조절할 수 있어, 수천에서 수백만 노드까지 다양한 규모의 그래프를 손쉽게 생성한다. 이렇게 만든 그래프에 대해 정확한 중심성 값을 계산해 레이블링하고, 이를 신경망 회귀 모델의 입력‑출력 쌍으로 만든다.

두 번째 단계는 다층 퍼셉트론(MLP) 기반 회귀 모델을 설계하고, 입력 피처로는 각 정점의 차수, 클러스터링 계수, 페이지랭크, 이웃 중심성 등 다중 스칼라 특성을 사용한다. 저자들은 배치 크기, 학습률, 활성화 함수(ReLU, tanh), 은닉층 수·노드 수 등 10여 가지 하이퍼파라미터 조합을 교차 검증하여 최적 구성을 도출한다. 특히, 정규화와 드롭아웃을 적용해 과적합을 방지하고, 손실 함수는 평균 제곱 오차(MSE)를 사용한다.

실험에서는 30개의 실제 대규모 네트워크(노드 수 10⁴10⁶)를 대상으로 모델을 평가한다. 평가 지표는 평균 절대 오차(MAE), 순위 상관계수(Kendall τ), 실행 시간, 메모리 사용량이다. 결과는 제안된 신경망 모델이 기존의 샘플링 기반 근사(예: K‑path, approximation via sketch)와 비교해 순위 정확도에서 510% 향상되고, 실행 시간은 평균 20배 이상 단축됨을 보여준다. 또한, 모델은 선형 시간·공간 복잡도(O(N))를 유지하면서도 오차 범위가 0.01 이하인 높은 정밀도를 달성한다.

이 논문의 주요 기여는 다음과 같다. ① BTER 기반 데이터 생성 파이프라인을 제시해 학습 데이터 확보 비용을 크게 낮춤. ② 다양한 네트워크 특성을 입력 피처로 활용해 일반화 능력이 뛰어난 회귀 모델을 설계. ③ 실험을 통해 대규모 실제 네트워크에서도 정확도·효율성 모두 기존 방법을 능가함을 입증. ④ 중앙성 순위 자체가 많은 응용(노드 제거 시 영향 평가, 자원 배분, 전파 모델링 등)에서 사용될 수 있음을 강조하며, 선형 시간 근사화가 실시간 혹은 스트리밍 환경에 적합함을 제시한다. 향후 연구 방향으로는 동적 네트워크(시간에 따라 변하는 그래프)에서 온라인 학습을 적용하거나, 그래프 신경망(GNN)과 결합해 구조적 정보를 더 깊이 활용하는 방안을 제시한다.

**