저랭크 자극을 이용한 블라인드 커뮤니티 탐지

본 논문은 그래프 신호 처리(GSP) 분야에서 ‘블라인드’ 방식으로 커뮤니티 구조를 복원하는 새로운 프레임워크를 제시한다. 기존 연구들은 그래프 신호가 전랭크 입력에 의해 생성된다고 가정하고, 전체 라플라시안이나 인접 행렬을 먼저 추정한 뒤 클러스터링을 수행했다. 그러나 실제 시스템에서는 실험 대상이 제한된 소수의 노드에만 영향을 미치거나, 데이터 수집 비용이 커서 전체 노드에 대한 관측이 어려운 경우가 많다. 이러한 상황을 반영하기 위해 저자들은 (i) 그래프 필터 H(L) = ∑_{t=0}^{T-1} h_t L^t 로 표현되는 선형 동역학을 가정하고, (ii) 입력 신호 xₗ이 저랭크(R ≪ N) 부분공간에 제한된 형태 xₗ = Bzₗ (B∈ℝ^{N×R}) 로 모델링한다. 관측 모델은 yₗ = H(L)xₗ + wₗ (wₗ은 평균 0, 서브가우시안 잡음)이며, L은 라플라시안, A는 인접 행렬이다. 논문은 두 가지 알고리즘을 제안한다. 첫 번째는 ‘Blind Community Detection (BlindCD)’이며, 관측된 신호들의 샘플 공분산 Σ̂_y = (1/L)∑_{ℓ=1}^L yₗyₗᵀ 를 직접 사용한다. 핵심 이론은 H(L)이 low‑pass 특성을 가질 경우, Σ̂_y는 라플라시안 L의 저차원 스케치와 거의 동일해진다는 점이다. 구체적으로, 필터의 주파수 응답 h(λ) 가 고주파(큰 λ)에서 충분히 작아지면 Σ̂_y≈V_KΛ_KV_Kᵀ 형태가 된다. 여기서 V_K는 L의 가장 작은 K개의 고유벡터를 모은 행렬이며, K는 사전에 알려진 커뮤니티 수이다. 따라서 Σ̂_y에 스펙트럴 클러스터링(고유벡터 추출 후 K‑means)을 적용하면, 전통적인 RatioCut 최소화와 동일한 커뮤니티 분할을 얻을 수 있다. 저자는 BlindCD가 RatioCut의 볼록 이완 해에 비해 얼마나 차이가 나는지를 정량적으로 분석하고, 필터의 low‑pass 정도가 차이의 주요 원인임을 증명한다. 두 번째는 ‘Boosted BlindCD’이다. 여기서는 잠재 파라미터 zₗ (즉, B가 알려진 경우)이 사전에 제공된다고 가정한다. 이 경우 관측 행렬 Y =