시간변화 네트워크의 스펙트럴 커뮤니티 탐지

초록

본 논문은 관측되지 않은 그래프 구조를 직접 측정하지 않고, 시간에 따라 변하는 여러 그래프 신호만을 이용해 잠재적인 스토캐스틱 블록 모델(SBM)의 커뮤니티 구분을 복원하는 스펙트럴 알고리즘을 제안한다. 필터링된 백색 잡음 신호를 관측하고, 각 관측 시점마다 독립적으로 SBM으로부터 생성된 그래프가 존재한다는 가정 하에, 샘플 공분산 행렬의 상위 고유벡터를 k‑means에 입력함으로써 정확한 파티션을 회복한다. 이론적 수렴 분석과 실험을 통해 알고리즘의 일관성 및 실용성을 입증한다.

상세 분석

본 연구는 ‘블라인드’ 커뮤니티 탐지라는 새로운 관점을 제시한다. 전통적인 네트워크 추정은 관측된 엣지 정보를 기반으로 인접 행렬을 복원하려 하지만, 저자는 관측된 노드 신호만으로도 잠재적인 블록 구조를 추정할 수 있음을 보인다. 핵심 가정은 각 관측 시점 ℓ 마다 그래프 라플라시안 L(ℓ) 이 동일한 SBM 파라미터 Ω 를 갖는 독립적인 그래프 realizations이며, 입력 신호 w(ℓ) 은 평균 0, 공분산 I인 백색 잡음이다. 필터 H(L) 은 라플라시안 다항식 형태로 정의되며, y(ℓ)=H(L(ℓ))w(ℓ) 이라는 형태의 관측 신호를 만든다.

알고리즘은 간단히 1) 관측된 y(ℓ) 들로부터 샘플 공분산 Ĉ_y = (1/m)∑y(ℓ)y(ℓ)^T 을 계산하고, 2) 그 고유분해를 수행해 상위 k 개의 고유벡터를 추출한 뒤, 3) 행벡터들을 k‑means 클러스터링하여 노드들을 k 개의 커뮤니티로 분할한다. 이 과정에서 실제 그래프 구조는 전혀 사용되지 않는다.

이론적 분석은 세 단계로 구성된다. 첫 번째는 Proposition 1을 통해 Ĉ_y 가 기대값 C_y 에 대해 ‖Ĉ_y−C_y‖_2 ≤ O((log log n)^2 · n^{1/2−2/q} / √m) 로 수렴함을 보인다. 여기서 필터의 스펙트럼 노름이 유계이고, 입력 신호가 적당히 bounded moment를 갖는다는 가정이 필요하다. 두 번째는 Proposition 2에서 C_y 의 정확한 형태를 도출한다. 특히 C_y = (c₃−c₁)I + G