다중단계 탐욕 알고리즘과 정점 이동으로 모듈러리티 최적화

** 논문은 네트워크 분석에서 커뮤니티 구조를 파악하기 위한 핵심 지표인 모듈러리티(Q)의 최적화 문제를 다룬다. 모듈러리티는 내부 연결 밀도와 외부 연결 희박성을 비교하는 함수로, Q가 클수록 의미 있는 커뮤니티 분할을 의미한다. 그러나 Q를 정확히 최적화하는 문제는 NP‑hard이며, 실용적인 해법으로는 탐욕적 병합, 시뮬레이티드 어닐링, 극단적 최적화 등이 제안돼 왔다. 기존 탐욕 알고리즘은 매 단계 가장 큰 ΔQ를 보이는 두 커뮤니티를 병합하는 단순한 절차지만, 초기 단계에서 몇 개의 대형 커뮤니티가 급격히 형성돼 이후의 미세 조정이 어려워지는 “조기 응축” 현상이 있다. 이를 해결하기 위해 저자들은 “다중단계 탐욕”(MSG) 알고리즘을 설계한다. MSG는 한 번의 반복에서 ΔQ가 양수이며 상위 l개의 값에 해당하는 모든 커뮤니티 쌍을 후보로 선정한다. 여기서 l은 사용자가 지정하는 단계 폭 파라미터이며, 일반적으로 전체 에지 수보다 작게 설정한다. 후보 쌍을 파싱할 때는 ΔQ가 큰 순서와 커뮤니티 인덱스가 작은 순서로 정렬된 레벨 집합을 이용한다. 이후 “터치드 커뮤니티 배제 규칙”(TCER)을 적용해, 이미 병합에 참여한 커뮤니티가 다른 후보 쌍에 중복 포함되지 않도록 한다. 이 규칙은 동시에 여러 작은 커뮤니티가 성장하도록 유도해, 대형 커뮤니티가 과도하게 지배하는 상황을 방지한다. 구현 측면에서 저자들은 C++ STL의 set 자료구조를 활용해 ΔQ 행렬과 레벨 집합을 각각 O(log N) 삽입·삭제가 가능한 정렬된 트리 형태로 관리한다. 병합 시 ΔQ 업데이트는 새로운 커뮤니티 I와 모든 인접 커뮤니티 k에 대해 식 (1)을 적용해 O(1) 시간에 계산하고, 전체 업데이트 비용은 해당 커뮤니티들의 차수 합에 로그 팩터가 곱해진 O((d_i+d_j)·log N)이다. 전체 알고리즘은 D번의 라운드(덴드로그램 깊이) 동안 진행되며, 각 라운드에서 모든 에지를 한 번씩 검사하므로 최악의 시간 복잡도는 O(D·M·log N)이다. 이는 기존 Clauset‑Newman‑Moore 탐욕 알고리즘과 동일한 차원으로, 대규모 네트워크에서도 실시간에 가까운 속도를 유지한다. MSG가 수렴한 뒤에는 “정점 이동”(VM) 절차를 적용한다. VM은 모든 정점을 차수와 인덱스 순으로 스캔하면서, 현재 속한 커뮤니티 i에서 인접 커뮤니티 j로 이동했을 때 ΔQ가 최대가 되는 경우를 찾는다. ΔQ 계산식은 식 (2)로, 정점‑커뮤니티 간 연결 가중치와 두 커뮤니티의 전체 차수를 이용한다. 이때 필요한 정보는 정점의 인접 리스트와 각 커뮤니티의 차수 합이며, 모두 O(정점 차수) 시간에 접근 가능하다. 정점 이동은 모듈러리티를 즉시 증가시키므로, 한 번의 전체 스캔이 끝난 뒤에도 추가적인 향상이 없을 때까지 반복한다. 전체 VM 라운드의 복잡도는 네트워크 전체 가중치 합 L에 비례해 O(L)이며, 실제 실험에서는 몇 번의 반복만으로 수렴한다. 실험에서는 10개 이상의 실제 네트워크(예: Zachary’s Karate Club, 미국 전력망, 인터넷 AS 레벨, 생물학적 단백질 상호작용망 등)를 대상으로 기존 탐욕, 레벨‑기반, 시뮬레이티드 어닐링, 그리고 최근 제안된 Louvain 방법과 비교했다. 결과는 MSG‑VM 조합이 대부분의 경우 모듈러리티 Q 값을 가장 높게 기록했으며, 특히 큰 네트워크(수십만 노드)에서도 실행 시간이 경쟁 알고리즘과 비슷하거나 약간만 더 오래 걸렸다. 단계 폭 l을 1에서 5 사이로 조정했을 때, l=3 정도가 가장 안정적인 성능을 보였으며, 너무 큰 l은 후보 쌍 선택이 과도해 오히려 성능을 저하시킬 수 있음을 확인했다. 결론적으로, 다중단계 병합을 통한 조기 응축 방지와 정점 이동을 통한 미세 조정이라는 두 가지 전략을 결합함으로써, 기존 탐욕 기반 방법의 속도는 유지하면서도 모듈러리티 최적화 정확도를 크게 향상시켰다. 또한 알고리즘 구조가 단순해 구현이 용이하고, 파라미터 l만 적절히 조정하면 다양한 규모와 특성을 가진 네트워크에 적용 가능하다는 장점이 있다. 향후 연구에서는 동적 네트워크에 대한 연속적인 MSG‑VM 적용, 그리고 다른 품질 함수(예: 인포메이션 이론 기반)와의 결합 가능성을 탐색할 수 있다. **