복합 네트워크 겹침 계층 커뮤니티 탐지

본 논문은 복합 네트워크에서 흔히 나타나는 ‘커뮤니티 겹침’과 ‘계층적 모듈 구조’를 동시에 식별할 수 있는 새로운 알고리즘을 제시한다. 서론에서는 복잡계 네트워크가 보여주는 메소모듈성의 중요성을 강조하고, 기존 방법들이 겹침 혹은 계층 중 하나만을 다루는 한계를 지적한다. 특히, 클리크 퍼콜레이션 기반의 겹침 탐지 기법은 파라미터 k에 따라 하나의 스케일만을 포착하고, 모듈러리티 최적화는 단일 최적 파티션만을 제공한다는 점을 비판한다. 방법론 파트에서는 ‘피트니스 함수’를 핵심 개념으로 도입한다. 피트니스 f_G는 커뮤니티 G의 내부 차수 k_in(내부 링크 수의 두 배)와 외부 차수 k_out(외부와 연결된 링크 수)의 합에 α라는 실수 지수를 곱한 형태이다. α는 해상도 파라미터로, 큰 값일수록 작은 고밀도 서브그래프가 선호되고, 작은 값일수록 큰 저밀도 서브그래프가 선호된다. 이 함수는 커뮤니티가 내부 연결을 최대화하면서 외부 연결을 최소화하는 정도를 정량화한다. 알고리즘은 다음과 같은 단계로 진행된다. 1. 아직 커뮤니티에 할당되지 않은 임의의 노드 A를 선택한다. 2. 초기 서브그래프 G를 {A}로 설정하고, 반복적으로 G의 외부 이웃 중 피트니스 증가폭이 가장 큰 노드를 G에 추가한다. 3. 추가 후 G에 포함된 모든 노드에 대해 ‘노드 피트니스’를 재계산한다. 피트니스가 음수인 노드는 G에서 제거한다. 4. 외부 이웃 중 피트니스가 양수인 노드가 없을 때까지 2‑3을 반복한다. 5. 얻어진 G를 하나의 ‘자연 커뮤니티’로 저장하고, 아직 할당되지 않은 다른 노드 B를 선택해 과정을 반복한다. 이 과정에서 이미 다른 커뮤니티에 속한 노드도 새로운 G에 포함될 수 있으므로, 겹치는 구조가 자연스럽게 나타난다. 또한, α를 여러 값으로 변화시켜 각 해상도에서 커뮤니티를 추출하면, 피트니스 히스토그램에 뚜렷한 피크가 형성된다. 피크의 높이와 폭은 해당 커뮤니티가 α 변화에 얼마나 강인한지를 나타내며, 이를 ‘안정성 지표’로 활용한다. 계층 관계는 두 커뮤니티 집합 C′와 C″가 존재할 때, C′의 모든 커뮤니티가 C″의 커뮤니티를 완전 혹은 부분적으로 포함한다면 C′가 상위, C″가 하위 계층으로 정의한다. 이렇게 하면 겹치는 노드가 있더라도 계층적 파티션을 일관되게 기술할 수 있다. 시간 복잡도 분석에서는 한 커뮤니티를 구축하는 데 O(s²) (s는 커뮤니티 크기)이며, 전체 네트워크에 대해 평균 ⟨s²⟩에 비례한다. 최악의 경우 O(n²) (n은 전체 노드 수)지만, 실제 네트워크는 대부분 작은 커뮤니티가 다수이므로 거의 선형에 가깝다. 실험에서는 Erdős‑Rényi 그래프(평균 차수 10)와 실제 소셜 네트워크, 웹 페이지 네트워크, 대사체·단백질 상호작용 네트워크에 대해 α를 0.1~3 범위에서 스캔하였다. 결과는 (i) 겹치는 커뮤니티를 정확히 복원, (ii) 계층적 구조를 다중 스케일에서 탐지, (iii) 피트니스 히스토그램의 피크가 실제 의미 있는 모듈을 잘 반영함을 보여준다. 특히, 기존의 k‑클리크 퍼콜레이션이나 모듈러티 기반 방법에 비해 정밀도와 재현율이 10~20% 이상 향상되었다. 결론에서는 제안된 프레임워크가 겹침과 계층을 동시에 다룰 수 있는 최초의 방법임을 강조하고, α를 통한 해상도 조절과 피트니스 히스토그램 기반 안정성 평가가 실용적임을 언급한다. 또한, 현재 α 선택이 경험적이며, 초기 씨앗 선택이 결과에 미치는 영향이 남아 있다는 한계를 인정한다. 향후 연구 방향으로는 자동 α 최적화, 병렬 구현, 동적 네트워크에 대한 확장 등을 제시한다.