모듈러리티 퇴보 문제를 해결하는 STAR 대표 파티션 선택법

본 논문은 복잡 네트워크 분석에서 가장 널리 사용되는 커뮤니티 탐지 기법인 모듈러티티 최대화가 갖는 구조적 퇴보(degeneracy) 문제에 주목한다. 모듈러티티 함수 Q는 전역 최적화를 목표로 하지만, 최적값에 근접한 파티션이 지수적으로 많아 실제로는 고차원적인 최적해 플래토가 형성된다. 저자들은 이를 수학적으로 ε‑optimal 집합 Pε = {P | Qmax − Q(P) ≤ ε} 로 정의하고, 네트워크가 k개의 약하게 연결된 모듈을 포함할 경우 |Pε| ≥ 2^{k‑1} 이라는 하한을 제시한다. 이러한 퇴보는 동일한 모듈러티 값을 갖는 파티션들 간에 구조적 차이가 클 수 있음을 의미한다. 따라서 하나의 파티션만을 선택하는 전통적 접근은 재현성·해석성에 심각한 문제를 야기한다. 이러한 배경에서 저자들은 “Similarity‑based Top ARI Representative”(STAR)라는 사후 처리 방법을 제안한다. STAR는 특정 모듈러티티 기반 알고리즘(논문에서는 Louvain)을 T 번 반복 실행해 얻은 파티션 집합 σ ={σ₁,…,σ_T}와 각 파티션의 모듈러티 값 Q 을 이용한다. 이후 모든 파티션 쌍에 대해 Adjusted Rand Index(ARI)를 계산해 유사도 행렬 M 을 만든다. 각 파티션 i에 대해 행 평균 s_i = (1/(T‑1))∑_{j≠i} M_{ij} 를 구하고, 가장 큰 s_i 를 갖는 파티션을 대표 파티션으로 선택한다. ARI는 무작위 일치를 보정하므로, 실제 구조적 일관성을 정확히 반영한다. STAR는 기존 컨센서스 클러스터링(Consensus Clustering)과 동일한 목표—다양한 해들 사이의 공통된 커뮤니티 구조를 추출—를 갖지만, 합의 행렬을 다시 클러스터링하거나 추가 최적화 과정을 거치지 않는다. 따라서 구현이 간단하고, 계산 비용이 크게 증가하지 않는다. 특히, 파티션 생성 단계에서 사용된 모듈러티티 함수의 null model만 적절히 정의하면, 양의·음의 가중치를 모두 포함하는 서명 네트워크에도 그대로 적용 가능하다. 이는 기존 컨센서스 방법이 비부호화 그래프에만 제한되는 점을 극복한 중요한 확장이다. 실험은 두 부분으로 나뉜다. 첫 번째는 LFR 합성 네트워크를 이용한 정량적 검증이다. 다양한 모듈 수와 평균 차수를 가진 그래프에서, STAR가 선택한 대표 파티션은 ground‑truth와의 Normalized Mutual Information(NMI)에서 0.92 이상을 기록했으며, 모듈러티 값(Q)도 컨센서스 방법과 거의 동일했다(ΔQ < 0.01). 두 번째는 실제 경제·금융 네트워크(예: 국제 무역 네트워크, 상관 기반 주식 네트워크)에서의 적용 사례이다. 여기서는 음의 상관관계가 포함된 서명 그래프를 사용했으며, STAR는 기존 방법이 놓치기 쉬운 부정적 연결을 고려한 의미 있는 커뮤니티를 도출했다. 특히, 금융 네트워크에서는 위험 전파 경로와 일치하는 클러스터가 식별되어 실용적 가치를 입증했다. 한계점으로는 파티션 수 T 가 충분히 크지 않을 경우 ARI 기반 대표성 점수가 불안정해질 수 있다는 점을 들었다. 또한, ARI는 작은 커뮤니티의 변동에 민감해 과도한 세분화를 억제할 가능성이 있다. 저자들은 향후 연구에서 파티션 샘플링 전략을 최적화하고, Variation of Information(VI) 등 다른 유사도 지표와의 비교를 통해 방법론을 보강할 계획이라고 제시한다. 결론적으로, STAR는 모듈러티티 퇴보 문제를 간단하면서도 이론적으로 타당한 방식으로 해결하는 도구이며, 서명 네트워크까지 포괄하는 범용성을 제공한다. 이는 커뮤니티 탐지 결과의 재현성·해석성을 크게 향상시켜, 사회·경제·신경과학 등 다양한 분야에서 실용적으로 활용될 수 있다.