이질적 그래프를 위한 차별가능한 삼부 모듈러리티

초록

본 논문은 세 종류의 노드가 피벗 노드(건물)로 연결되는 삼부 그래프에 대해, 공동 경로(co‑path)를 기반으로 한 차별가능한 모듈러리티 손실을 정의한다. 정규화된 흐름 가중치를 도입해 고차원 텐서를 명시적으로 구성하지 않고도 선형 시간 복잡도로 계산할 수 있게 하였으며, 이를 그래프 신경망과 공동 최적화한다. 대규모 도시 지적 데이터에 적용해 안정적인 수렴과 공간적으로 일관된 군집을 얻었다.

상세 분석

이 연구는 기존의 DMoN(Differentiable Modularity) 프레임워크를 삼부(Tripartite) 구조에 확장한 점에서 학술적·실용적 의의를 가진다. 먼저, 삼부 그래프를 X(주소), Y(건물), Z(지적 구획) 세 집합으로 정의하고, X‑Y와 Y‑Z 사이의 이분 그래프만 존재하도록 설계하였다. 이러한 구조는 실제 행정 데이터의 물리적 연결성을 그대로 반영한다는 강점을 갖는다. 핵심 기여는 ‘공동 경로(co‑path)’ 개념을 도입해 X→Y→Z 형태의 2‑step 경로를 모듈러리티 계산의 기본 단위로 삼은 것이다. 전통적인 삼부 모듈러리티는 3차 텐서 A(i,j,k)를 필요로 하지만, 텐서 자체를 메모리에 저장하면 O(|X||Y||Z|)의 비현실적인 비용이 발생한다. 저자는 이를 ‘정규화된 공동 경로 밀도’ 식 (4)로 정의하고, 피벗 노드 j의 입·출 차수 deg_X(j), deg_Z(j)를 이용해 흐름 정규화 ω_j = (deg_X(j)·deg_Z(j))⁻¹을 곱함으로써 고차원 텐서를 완전히 factorize하였다. 이 과정은 실제 구현 시 A를 전혀 구성하지 않고, 인접 행렬과 스캐터‑어드(Scatter‑Add) 연산만으로 삼부 비율 e_lmn을 O(|E_XY|+|E_YZ|) 시간에 정확히 계산한다.

다음으로, 연속적인 커뮤니티 할당 행렬 S_X, S_Y, S_Z를 도입해 각 노드가 L, M, N개의 커뮤니티에 대한 확률적 소속을 학습한다. 이때 삼부 모듈러리티는 α_m,l·γ_m,n·e_lmn 형태로 전개되며, α와 γ는 각각 X‑Y, Y‑Z 간의 소프트 매칭 확률을 온도 파라미터 β를 통해 조절한다. β→∞이면 기존 Murata의 hard matching에 수렴하고, β→0이면 균등 혼합을 제공한다. 이러한 소프트 매칭은 역전파를 가능하게 하여 그래프 신경망(GNN)과 손실 함수를 공동 학습할 수 있게 한다.

또한, 고차원 피벗 노드의 차수 편향을 억제하기 위해 흐름 정규화 ω_j를 명시적으로 손실에 포함시켰다. 실험 섹션에서 β와 λ_T(정규화 가중치) 등에 대한 Ablation Study를 수행해, 정규화가 없을 경우 파티션 붕괴(partition collapse) 현상이 발생함을 확인하였다.

데이터 측면에서는 프랑스의 주소, 건물, 지적 데이터베이스를 통합해 3‑type 이질 그래프를 구축하였다. 특히, 파라미터화된 로그 변환(식 1)과 경계 길이 기반 가중치를 사용해 지적 구획 간의 물리적 인접성을 정확히 모델링했으며, 건물‑건물 연결은 지적 구획의 인접성을 투사(projection)함으로써 실제 도시 구조를 반영한다. 이는 기존 k‑NN 기반 그래프가 도로와 같은 물리적 장벽을 무시하는 문제를 해결한다.

실험 결과는 두 가지 주요 지표에서 기존 DMoN(동질·이분 그래프)와 하이퍼그래프 기반 방법보다 우수했다. 첫째, 손실 수렴이 빠르고 안정적이며, 학습 초기에 β를 낮게 설정해 다양한 매칭 후보를 탐색한 뒤 점차 높여 정밀한 커뮤니티 매핑을 달성한다. 둘째, 시각화된 클러스터는 지리적 연속성을 유지하면서도 건물·주소·구획 간의 의미 있는 연관성을 드러낸다.

전체적으로 이 논문은 (1) 삼부 그래프에 대한 차별가능한 모듈러리티 정의, (2) 텐서 없이 선형 복잡도로 정확히 계산하는 factorized aggregation, (3) 흐름 정규화와 소프트 매칭을 통한 안정적인 엔드‑투‑엔드 학습이라는 세 축을 제시한다. 이는 이질 네트워크, 특히 물리·행정 데이터가 결합된 대규모 공간 그래프에 적용 가능한 일반적인 프레임워크로 확장 가능성을 보여준다.