계층적 샘플링을 이용한 네트워크 토폴로지 표현 학습

초록

본 논문은 기존 네트워크 임베딩 기법이 주로 로컬 구조만을 보존하는 한계를 극복하고자, 커뮤니티 기반의 계층적 샘플링을 통해 네트워크를 여러 단계로 압축한 뒤 각 단계별 임베딩을 결합하는 HSRL 프레임워크를 제안한다. 실험 결과, 링크 예측 과제에서 DeepWalk, node2vec, LINE, HARP 등을 크게 능가함을 보인다.

상세 분석

HSRL은 두 가지 핵심 구성요소로 이루어진다. 첫 번째는 ‘계층적 샘플링(Hierarchical Sampling)’으로, Louvain 방식의 모듈러리티 최적화를 이용해 네트워크를 커뮤니티 단위로 군집화하고, 각 커뮤니티를 하나의 슈퍼노드로 합쳐 새로운 압축 그래프를 만든다. 이 과정을 K번 반복함으로써 원본 그래프의 전역적인 계층 구조를 여러 해상도로 표현하는 G₀, G₁,…,G_K 시퀀스를 생성한다. 기존 HARP이 단순히 인접 노드를 병합해 전역 정보를 손실시키는 반면, HSRL은 커뮤니티 경계를 존중하므로 압축 단계에서도 글로벌 토폴로지를 유지한다. 두 번째는 ‘표현 학습(Representation Learning)’ 단계이다. 임의의 기존 NRL 기법(f) – 예를 들어 DeepWalk, node2vec, LINE – 을 각 압축 그래프 G_k에 적용해 임베딩 Z_k를 얻고, 최종 노드 임베딩 Z_i는 해당 노드가 속한 각 계층 커뮤니티의 임베딩을 순차적으로 연결(concatenation)한 형태(Z_i =