지역 관점 기반 겹침 커뮤니티 탐지 모델 LQGCN

초록

LQ‑GCN은 그래프 컨볼루션 네트워크에 베르누이‑포아송 모델과 지역 모듈러리티 손실을 결합해, 대규모 네트워크에서 겹치는 커뮤니티를 효율적으로 탐지한다. 실험 결과, 기존 베이스라인 대비 NMI 33 %·Recall 26.3 % 향상을 달성하였다.

상세 분석

본 논문은 기존 GCN 기반 커뮤니티 탐지 기법이 노드 수준 특징에만 집중하고, 커뮤니티 수준의 구조적 정보를 충분히 활용하지 못한다는 한계를 지적한다. 이를 해결하기 위해 저자들은 세 가지 핵심 설계를 제안한다. 첫째, 베르누이‑포아송(B‑P) 모델을 도입해 노드‑커뮤니티 소속 행렬 F를 확률적 방식으로 추정한다. B‑P 모델은 두 노드가 공유하는 커뮤니티 수가 연결 확률에 직접적인 영향을 미친다고 가정함으로써 겹침 구조를 자연스럽게 모델링한다. 둘째, 전통적인 전역 모듈러티(Q) 대신 지역 모듈러티(LQ)를 손실 함수에 포함한다. LQ는 각 커뮤니티와 그 이웃 커뮤니티 간의 연결 강도를 평가해, 작은 규모의 지역 구조를 정밀하게 파악하고 전역적인 균일 연결 가정을 완화한다. 셋째, GCN 아키텍처를 두 층으로 제한하고, 정규화된 인접 행렬 (\bar A = I + D^{-1/2} A D^{-1/2})와 tanh‑ReLU 결합을 통해 대규모 그래프에서도 과적합과 오버스무딩을 방지한다. 또한 L2 정규화와 0.5 드롭아웃을 적용해 일반화 능력을 강화하였다. 손실 함수는 (\mathcal L = \alpha \mathcal L_{BP} + \beta \mathcal L_{LQ}) 형태로, (\alpha, \beta)는 경험적으로 조정된 가중치이며 Adam 옵티마이저로 학습한다. 알고리즘 흐름은 초기에는 B‑P 손실만 사용해 빠르게 수렴시키고, 조기 종료 기준을 만족하면 LQ 손실을 추가해 커뮤니티 경계 를 미세 조정한다. 실험은 6개의 실제 네트워크(소규모 페이스북, 대규모 학술 공동저자 그래프)에서 수행되었으며, 평가 지표는 겹침 NMI(ONMI)와 Recall이다. LQ‑GCN‑X(속성 포함) 설정이 모든 데이터셋에서 최고 성능을 기록했으며, 특히 대규모 그래프에서 기존 NOCD, UCoDe, CDMG 대비 10 % 이상 높은 ONMI와 8 % 이상 높은 Recall을 보였다. Ablation 실험을 통해 B‑P 모델과 LQ 손실 각각이 성능 향상에 기여함을 확인했으며, LQ 손실을 제외하면 작은 커뮤니티 탐지력이 급격히 감소한다는 점을 강조한다. 전체적으로 본 연구는 지역 구조 정보를 손실에 직접 반영함으로써, 대규모 네트워크에서도 겹치는 커뮤니티를 정밀하고 효율적으로 탐지할 수 있는 새로운 패러다임을 제시한다.