베타 중심성 순위 근사를 위한 차수 질량 기반 그래프 신경망

초록

BRAVA‑GNN은 다중 홉 차수 질량을 노드 특성으로 활용하고, 하이퍼볼릭 무작위 그래프를 학습 데이터로 사용해 베타 중심성 순위를 정확히 예측한다. 기존 GNN 기반 방법이 고직경 도로망에서 실패하던 문제를 54배 적은 파라미터와 70배 빠른 추론 속도로 해결한다.

상세 분석

본 논문은 베타 중심성(Betweenness Centrality, BC)의 정확한 계산이 O(|V||E|)의 복잡도로 대규모 네트워크에 적용하기 어렵다는 점에 착안한다. 최근 그래프 신경망(GNN) 기반 근사 방법이 제안되었지만, 특히 도로망처럼 직경이 큰 그래프에서는 일반화 성능이 급격히 떨어진다. 저자들은 두 가지 핵심 관찰을 통해 이 문제를 해결한다. 첫째, 다중 홉 차수 질량(m‑hop degree mass)이 실제 네트워크에서 BC와 높은 상관관계를 보인다는 실증적 증거를 제시한다. 차수 질량은 노드의 주변 연결성을 누적합산한 값으로, 그래프 규모에 무관하게 크기가 일정하게 유지되므로 입력 특성으로 적합하다. 둘째, 기존 연구가 주로 스케일‑프리 모델(Barabási‑Albert 등)로 합성 그래프를 생성해 학습했지만, 이러한 모델은 도로망과 같이 전력법칙 지수가 2보다 큰 경우를 충분히 재현하지 못한다. 따라서 저자들은 하이퍼볼릭 무작위 그래프(Hyperbolic Random Graph, HRG)를 사용해 훈련 데이터를 생성한다. HRG는 하이퍼볼릭 평면에 노드를 배치하고 거리 기준으로 연결함으로써 클러스터링과 전력법칙 지수를 자유롭게 조절할 수 있어, 실제 네트워크의 구조적 다양성을 더 잘 모사한다.

BRAVA‑GNN의 아키텍처는 두 개의 병렬 메시지 패싱 모듈을 사용한다. 하나는 원래 인접 행렬 A를, 다른 하나는 전치 행렬 Aᵀ를 입력받아 각각 들어오는 흐름과 나가는 흐름을 독립적으로 처리한다. 두 모듈은 가중치를 공유해 파라미터 수를 최소화한다. 각 레이어에서는 A·H·W 형태의 선형 변환 후 ReLU 활성화를 적용하고, 레이어별 출력에 MLP를 얹어 스코어를 누적한다. 최종 예측은 두 방향 스코어의 곱으로 계산한다. 입력 특성은 1‑hop부터 6‑hop까지의 차수 질량을 연결(concatenate)한 뒤, 6→12 차원의 완전 연결 층을 거쳐 초기 임베딩을 만든다. 이 설계는 차수 질량이 BC와 강한 선형/비선형 관계를 갖는다는 가정을 그대로 반영한다.

전처리 단계에서는 기존 연구에서 제안한 “leaf 및 clique neighbor” 제거 규칙을 적용해, 최단 경로에 절대 기여하지 않는 노드를 사전에 제외한다. 이는 그래프 크기를 크게 줄이면서도 BC 순위에 미치는 영향은 무시할 수준임을 실험적으로 확인한다.

실험은 소셜, 웹, 이메일, 도로 네트워크 등 19개의 실제 그래프에서 수행되었다. 평가 지표는 Kendall‑Tau 순위 상관계수와 추론 시간이다. 결과는 다음과 같다. (1) 도로망에서 기존 최첨단 GNN 모델 대비 Kendall‑Tau가 평균 2.14배 상승했으며, (2) 전체 데이터셋에서 평균 70배 빠른 추론 속도를 기록했다. 특히 파라미터 수는 가장 가벼운 기존 베이스라인 대비 54배 적었다. 이러한 성능 향상은 차수 질량 특성의 표현력, HRG 기반 훈련 데이터의 다양성, 그리고 이중 메시지 패싱 구조가 상호 보완적으로 작용한 결과로 해석된다.

한계점으로는 차수 질량을 6‑hop까지 제한한 점과, HRG 파라미터 튜닝이 일부 도메인에 민감할 수 있다는 점을 들 수 있다. 향후 연구에서는 동적 그래프에 대한 확장, 차수 질량 외의 추가 구조적 특성(예: 커뮤니티 중심성) 통합, 그리고 자동화된 HRG 파라미터 최적화 방법을 모색할 여지가 있다.