그래프 비교를 위한 거리 측정 실무 가이드

초록

본 논문은 그래프 구조를 비교하기 위한 다양한 거리 측정 방법을 체계적으로 평가한다. 스펙트럴 거리와 노드 친화도 기반 거리 등을 다중 스케일 관점에서 분석하고, 각각이 전역·국부 구조에 어떻게 민감한지를 실험적으로 검증한다. 또한, 실험에 사용된 거리들을 구현한 파이썬 라이브러리 NetComp을 공개한다.

상세 분석

논문은 먼저 그래프 비교에 사용되는 거리 측정법을 두 가지 큰 범주—스펙트럴 거리와 피처 기반 거리—로 구분한다. 스펙트럴 거리에서는 인접 행렬, 라플라시안, 정규화 라플라시안의 고유값 스펙트럼을 ′ℓ₂′‑노름 혹은 ′ℓₚ′‑노름으로 비교한다. 여기서 중요한 점은 고유값의 순서가 그래프의 “주파수”와 대응한다는 점이다; 낮은 고유값은 전역적인 커뮤니티 구조를, 높은 고유값은 국부적인 연결 패턴(예: 삼각형, 클러스터)을 반영한다. 따라서 사용자는 k값을 조절해 관심 스케일을 선택할 수 있다. 그러나 스펙트럴 거리는 코스펙트럴 그래프(다른 구조이지만 동일 스펙트럼을 갖는 경우) 때문에 동일 거리 0을 가질 수 있어 완전한 메트릭은 아니다. 논문은 이러한 한계를 인식하고, 실험에서는 충분히 큰 그래프에서 코스펙트럴 현상이 거의 발생하지 않음을 보인다.

피처 기반 거리에서는 노드 친화도(예: 랜덤 워크 기반 전이 행렬, 퍼스널리티 스코어)와 그래프 전역 통계량(클러스터링 계수, 평균 경로 길이 등)을 벡터화한 뒤 ′ℓ₂′ 거리 혹은 코사인 유사도로 비교한다. 이 접근법은 노드 레이블 정합이 필요 없으며, 복잡도 측면에서 선형 또는 준선형 시간에 계산 가능하도록 설계되었다.

실험 설계는 두 단계로 나뉜다. 첫 번째는 Erdős–Rényi, 바라바시–알바이, 스몰월드, 계층적 모듈러 그래프 등 다양한 랜덤 그래프 모델을 샘플링해 각 모델 간 거리 분포를 측정한다. 여기서 전역 구조(예: 커뮤니티 수, 허브 존재)와 국부 구조(예: 평균 차수, 삼각형 비율)를 명시적으로 제어하여 거리 측정법의 스케일 민감도를 평가한다. 두 번째는 실제 네트워크(뇌 연결망, 사이버 보안 트래픽 그래프, 소셜 네트워크, 단백질 상호작용망)를 대상으로 동일 거리들을 적용하고, 결과를 모델 실험과 비교한다.

핵심 결과는 다음과 같다. (1) 라플라시안 스펙트럴 거리는 커뮤니티 구조 변화에 가장 민감하며, 작은 고유값 차이가 큰 전역 차이를 반영한다. (2) 인접 행렬 스펙트럴 거리는 국부적인 변형(예: 삼각형 추가·제거)에 더 반응한다. (3) 정규화 라플라시안 거리는 그래프 크기가 다를 때도 비교 가능하지만, 매우 불균형한 차수 분포에서는 왜곡될 수 있다. (4) 노드 친화도 기반 거리와 피처 기반 거리들은 전반적으로 균형 잡힌 성능을 보이며, 특히 동적 네트워크에서 변화점 탐지에 유리하다. (5) 계산 복잡도 측면에서 스펙트럴 거리의 전체 고유값 사용은 O(n³) 비용이지만, 논문은 k‑트렁케이션(예: k=100)과 Lanczos 알고리즘을 이용해 대규모 희소 그래프에서도 실용적인 실행 시간을 확보함을 보여준다.

마지막으로, 저자들은 위 실험 결과를 토대로 실무자에게 다음과 같은 사용 지침을 제시한다. 전역 구조(커뮤니티, 허브) 비교가 목적이면 라플라시안 스펙트럴 거리 또는 정규화 라플라시안 거리를, 국부 구조(삼각형, 클러스터링) 비교가 목적이면 인접 행렬 스펙트럴 거리나 피처 기반 거리를 선택한다. 동적 변화 탐지와 레이블이 없는 상황에서는 노드 친화도 기반 거리와 피처 기반 거리를 우선 고려한다. 또한, NetComp 라이브러리를 통해 이러한 거리들을 손쉽게 호출하고, 파라미터(k, p‑norm 등)를 조정해 원하는 스케일에 맞출 수 있다.