하이퍼볼릭 공간에서 구조 정보 증강을 통한 K프리 그래프 클러스터링

초록

본 논문은 사전 정의된 클러스터 수 K 없이, 불균형 그래프에서도 효과적인 클러스터링을 수행하기 위해 구조 엔트로피를 미분 가능하게 일반화하고, 이를 하이퍼볼릭 라우렌츠 모델에 기반한 LSEnet으로 구현한다. 구조 엔트로피와 트리 대비 학습 손실 사이의 이론적 경계를 제시함으로써 선형 시간 복잡도로 그래프 전도성을 개선하고, 20개 이상의 베이스라인 대비 NMI 12.42% 향상을 달성한다.

상세 분석

이 연구는 기존 딥 그래프 클러스터링이 K값을 사전에 요구하고, 소수 클래스가 과소표현되는 불균형 문제에 취약하다는 점을 지적한다. 이를 해결하기 위해 저자들은 ‘구조 정보(Structural Information)’라는 고전 이론을 연속적인 미분 가능 형태인 Differentiable Structural Information(DSI)로 확장한다. DSI는 레벨별 할당 행렬을 도입해 그래프의 구조적 불확실성을 연속적으로 표현함으로써 역전파가 가능하도록 만든다. 이론적으로 DSI는 그래프 전도성(Conductance)의 상한을 제공하므로, 전통적인 클러스터링 목표와 직접 연결된다.

구조 정보를 하이퍼볼릭 공간에 매핑하기 위해 라우렌츠 모델(Lorentz model)을 선택한다. 하이퍼볼릭 공간은 트리와 같은 계층적 구조를 자연스럽게 표현할 수 있어, 파티셔닝 트리를 효율적으로 학습할 수 있다. LSEnet(Lorentz Structural Entropy net)은 두 단계로 구성된다. 첫 번째는 라우렌츠 컨볼루션을 이용해 리프 노드(그래프의 원본 노드)를 임베딩하고, 두 번째는 ‘라우렌츠 어사이너(Lorentz Assigner)’를 통해 하위 노드부터 상위 노드까지 순차적으로 부모 임베딩을 생성한다. 이 과정은 DSI 최소화를 목표로 하는 손실 함수와 함께 학습된다.

트리 대비 학습(contrastive learning) 부분에서는 기존의 쌍(pair) 기반 대비 학습이 O(N²) 복잡도를 갖는 문제를 인식하고, 구조 엔트로피가 트리 대비 손실을 상한한다는 새로운 정리를 제시한다. 이를 기반으로 가상 그래프를 구성해 라우렌츠 부스트(Lorentz Boost)라는 특수 프로젝션 헤드를 적용, 트리 구조 전체를 일관성 있게 정렬한다. 가상 그래프와 실제 그래프 간의 대비 손실을 최소화함으로써, 트리 대비 학습을 암묵적으로 수행하면서도 전체 복잡도를 O(|V|) 수준으로 낮춘다.

최종 목표 함수는 ‘증강 구조 엔트로피(Augmented Structural Entropy)’라 명명되며, DSI와 트리 대비 손실을 하나의 선형 복합 목표로 결합한다. 이 목표는 그래프 전도성을 이론적으로 개선한다는 정리(VII.2)를 통해 보장된다. 실험에서는 Citeseer, Cora, Pubmed 등 7개 데이터셋에서 20개 이상의 최신 베이스라인을 능가했으며, 특히 소수 클래스에 대한 재현율이 크게 상승함을 사례 연구와 시각화 결과로 입증한다. 전체 프레임워크는 파라미터 수와 연산량 모두 기존 방법보다 효율적이며, K값을 전혀 지정하지 않아도 자동으로 최적의 클러스터 수와 구조를 학습한다.