이산 리치 곡률을 활용한 무작위 연결 신경망 가지치기: COVID‑19 흉부 X‑ray 분류 사례 연구

초록

본 연구는 무작위 연결 신경망(RWNN)에 대해 세 가지 에지 중심 지표인 Forman‑Ricci 곡률(FRC), Ollivier‑Ricci 곡률(ORC), 그리고 에지 매개 중심성(EBC)을 이용해 중요한 시냅스를 보존하고 나머지를 제거함으로써 모델을 압축한다. ER, WS, BA 세 가지 그래프 생성 모델을 사용해 COVID‑19 흉부 X‑ray 이미지 분류에 적용하고, 압축 비율, 이론적 속도 향상, 정확도·특이도·민감도 등 성능을 비교한다. 결과는 계산 비용이 낮은 FRC 기반 가지치기가 ORC와 비슷한 성능을 유지하면서도 효율적으로 네트워크를 단순화함을 보여준다.

상세 분석

이 논문은 무작위 그래프 기반 신경망(RWNN)의 구조적 특성을 정량화하고, 이를 기반으로 효율적인 프루닝 전략을 제시한다는 점에서 의미가 크다. 먼저, 세 가지 에지 중심 지표를 선택한 이유를 살펴보면, ORC는 최적 수송 비용을 기반으로 한 지오메트리적 곡률로 정확도가 높지만 계산 복잡도가 O(|V|·|E|)에 가까워 대규모 네트워크에 적용하기 어렵다. 반면 FRC는 각 에지에 연결된 두 노드의 차수와 인접 에지들의 가중치를 이용해 O(|E|) 시간에 계산 가능하므로 실시간 혹은 제한된 자원 환경에서 유리하다. EBC는 전통적인 네트워크 중심성 지표로, 전체 최단 경로에서 해당 에지가 차지하는 비율을 측정해 중요한 연결을 식별한다.

세 가지 무작위 그래프 모델(ER, WS, BA)은 각각 확률적 연결, 작은 세계 특성, 스케일 프리 특성을 제공한다. 논문은 각 모델에 대해 10개의 인스턴스를 생성하고 동일한 하이퍼파라미터(예: ER p=0.2, WS k=4·p=0.75, BA m=5)로 RWNN을 구축했다. 이러한 설정은 Xie et al.이 제시한 최적 구조를 그대로 따랐으며, 실험 재현성을 높인다.

프루닝 과정은 사전 학습된 모델에 대해 에지 가중치를 해당 지표값에 따라 내림차순 정렬하고, 상위 일정 비율(예: 30 %~70 %)만 유지하는 방식으로 진행된다. 압축 비율은 유지된 에지 수 대비 전체 에지 수의 비율로 정의되며, 이론적 속도 향상은 FLOPs 감소량을 기반으로 계산한다. 실험 결과, FRC 기반 프루닝은 ORC 대비 약 2배 빠른 계산 시간을 보였으며, 압축 비율 50 %에서 정확도 손실이 1 % 미만에 그쳤다. 특히 WS 모델에서는 모듈러리티가 약간 증가하면서도 글로벌 효율성 감소폭이 최소화되어, 네트워크가 더 뚜렷한 클러스터 구조를 형성함을 확인했다.

EBC 기반 프루닝은 전역적인 흐름을 보존하는 데는 유리하지만, 특정 노드에 의존적인 구조가 약해져서 고차원 이미지 분류에서는 다소 성능 저하가 관찰되었다. 반면 ORC와 FRC는 곡률이 양수인 에지를 보존함으로써 정보 전달 경로의 안정성을 유지한다는 점에서 유사한 효과를 나타냈다.

또한, 프루닝 후 네트워크의 구조적 특성을 모듈러리티와 글로벌 효율성으로 평가했는데, 이는 뇌 네트워크 분석에서 차용한 지표이다. 모듈러리티가 높아질수록 네트워크는 기능적 분할이 명확해지지만, 글로벌 효율성이 낮아지면 전체적인 전송 속도가 감소한다. 논문은 FRC 프루닝이 이 두 지표 사이의 균형을 가장 잘 맞추어, 압축과 성능 유지 사이의 트레이드오프를 최소화한다는 결론을 제시한다.

전반적으로, 이 연구는 그래프 이론과 딥러닝을 융합한 새로운 프루닝 패러다임을 제시하며, 특히 계산 비용이 제한된 임베디드 의료 장치나 모바일 환경에서 RWNN을 효율적으로 활용할 수 있는 실용적 길을 열었다.