가중 그래프 밀도 통합을 위한 재귀 최단 경로 알고리즘

본 논문은 최근 유전학, 단백질체학, 신경영상학 등에서 가중 그래프를 이용한 네트워크 분석이 활발히 이루어지고 있음에도 불구하고, 가중 그래프의 토폴로지 지표를 밀도별로 통합하는 과정이 계산적으로 매우 비효율적이라는 문제점을 지적한다. 밀도(K)는 그래프에 존재하는 엣지 수를 가능한 최대 엣지 수(N_I)로 나눈 비율이며, 밀도‑통합 토폴로지 지표 T(G)는 모든 가능한 밀도 수준에 대해 해당 지표를 계산한 뒤 평균을 취하는 형태로 정의된다. 특히, 전역 효율성(E_Glo)·국부 효율성(E_Loc) 등과 같이 최단 경로 행렬 D가 필요로 하는 지표들은 매 밀도 단계마다 전체 그래프에 대해 최단 경로를 재계산해야 하므로, 전통적인 다익스트라 알고리즘을 N_I 번 호출해야 한다. 이는 정점 수 N이 수백에서 수천에 달하는 실제 데이터에서 실용적이지 않다. 이를 해결하기 위해 저자들은 “재귀 최단 경로 알고리즘”을 제안한다. 알고리즘은 크게 세 단계로 구성된다. 첫 번째 단계에서는 가중치 행렬 W의 원소들을 내림차순으로 정렬하여 각 엣지에 순위 R_ij를 부여한다. 두 번째 단계에서는 순위가 높은 엣지부터 차례로 그래프에 삽입하면서, 기존 최단 경로 행렬 D를 “edgeUpdate” 함수에 의해 갱신한다. edgeUpdate는 새로 삽입된 엣지(v₁, v₂)를 양쪽 끝점으로 두 번의 BFS를 수행한다. 첫 번째 BFS는 v₂를 시작점으로 하여 v₁과 v₂ 사이의 거리 및 v₂의 m‑차 이웃들에 대한 거리 감소 가능성을 검사한다. 두 번째 BFS는 v₁을 시작점으로 하여, 첫 번째 단계에서 변경된 정점 집합을 기준으로 다시 탐색함으로써, 간접적으로 영향을 받는 모든 정점 쌍의 최단 거리 값을 최신화한다. 이 과정은 최단 경로 행렬을 완전 행렬 형태로 유지하면서도, 실제 연산은 인접 리스트 기반 BFS이므로 O(|E|+|V|)의 복잡도를 가진다. 이러한 업데이트를 N_I 번 반복하면, 각 밀도 수준에 대응하는 D_t를 얻을 수 있다. 세 번째 단계에서는 각 D_t에 대해 관심 있는 토폴로지 지표 T(D_t)를 계산하고, 이를 평균하여 최종 밀도‑통합 지표 T(G)를 산출한다. 알고리즘의 시간 복잡도 분석에서는 인접 행렬 기반 구현 시 BFS가 O(N²)이며, N_I 번 수행하므로 최악의 경우 O(N⁴)와 기존 다익스트라 N_I 번 호출과 동일함을 인정한다. 그러나 인접 리스트를 사용하면 각 BFS가 O(|E|+|N|)이므로 전체 복잡도는 O(N²·E + N³)이며, 이는 피보나치 힙을 이용한 다익스트라 N_I 번 호출의 O(N²·E·log N) 혹은 O(N²·E + N³·log N)보다 확연히 우수하다. 메모리 측면에서도 전체 최단 경로 행렬 D를 유지해야 하는 점은 동일하지만, 엣지 삽입 순서와 BFS 기반 업데이트로 인해 불필요한 재계산을 최소화한다. 논문은 또한 이 방법을 무방향 그래프에 국한하지 않고, 방향 그래프에도 적용 가능하도록 확장 방안을 제시한다. 방향 그래프의 경우 엣지 (i, j)를 순서쌍으로 정의하고, edgeUpdate에서 방향성을 고려한 거리 업데이트 로직만 수정하면 된다. 구현은 C++로 작성되었으며, R 패키지 “NetworkAnalysis”에 포함되어 있어, 연구자들이 손쉽게 사용하고 검증할 수 있다. 마지막으로, 가중 네트워크 분석이 점차 확대되는 현시점에서 제안된 재귀 최단 경로 알고리즘은 밀도‑통합 토폴로지 지표 계산의 병목을 해소하고, 대규모 뇌 연결망·유전체 네트워크 등에서 실시간 혹은 반복적인 분석을 가능하게 할 것으로 기대된다.