네트워크 역할 탐색을 통한 노드 클래스 예측

본 논문은 “노드 클래스 라벨이 주어지지 않은 상황에서, 네트워크 구조만을 이용해 라벨과 연결 패턴 사이의 관계를 학습하고, 최소한의 라벨링으로 전체 노드의 클래스를 예측한다”는 문제를 다룬다. 저자들은 먼저 네트워크 내에서 유사한 연결 패턴을 보이는 노드 집합을 ‘네트워크 역할(role)’이라고 정의하고, 이러한 역할을 발견하기 위해 확률적 생성 모델인 혼합 멤버십 블록모델(Mixed Membership Stochastic Blockmodel, MMSBM)을 채택한다. MMSBM은 K개의 잠재 역할을 가정하고, 각 역할 간 연결 확률을 π_{k1,k2} 로 표현한다. 역할별 노드 분포 φ_k는 디리클레 사전(α,β) 하에 샘플링되며, 각 관측된 링크 (s_i, r_i)는 역할 쌍 z_i = (z_i^s, z_i^r) 를 통해 생성된다. 변분 추론을 이용해 사후 분포 q(z,π,φ)를 근사하고, 로그우도에 대한 변분 하한 L(q;α,β)를 최대화함으로써 모델 파라미터를 추정한다. 이 과정에서 각 노드 v에 대한 역할 분포 \(\bar{z}_v\) 를 정의한다. \(\bar{z}_v\)는 해당 노드가 송신·수신 역할에 참여한 횟수를 합산하고 정규화한 K 차원 벡터이며, 이는 노드의 구조적 특성을 압축한 피처 역할을 한다. 다음으로, 저자들은 \(\bar{z}_v\) 를 입력 피처로 사용하는 선형 최대 마진 분류기, 즉 다중 클래스 서포트 벡터 머신(SVM)을 도입한다. 가중치 행렬 η (K×C, C는 클래스 수)는 학습 데이터의 라벨과 \(\bar{z}_v\) 사이의 마진을 최대화하도록 최적화된다. 목적함수는 전통적인 SVM의 정규화 항 ‖η‖²와 마진 위반을 나타내는 슬랙 변수 ξ_v 로 구성되며, 라그랑주 승수를 도입해 이중 형태로 풀어낸다. 라벨이 제한된 상황에서 어떤 노드를 추가로 라벨링할지 결정하기 위해, 저자들은 마진 기반 활성 학습 전략을 설계한다. 현재 모델이 가장 낮은 마진을 보이는 노드, 즉 결정 경계에 가장 가까운 노드를 선택해 라벨을 획득한다. 새로운 라벨이 추가되면 변분 추론과 SVM 학습을 동시에 재실행함으로써 역할 분포와 클래스 매핑이 상호 보강된다. 이 반복 과정은 라벨링 비용을 최소화하면서도 모델의 예측 정확도를 빠르게 향상시킨다. 실험에서는 다양한 실제 네트워크를 사용하였다. 첫 번째는 해양 먹이망으로, 종 간 포식-피식 관계가 방향성을 갖는 복합적인 구조를 가진다. 두 번째는 영어 단어 순서 네트워크로, 단어가 인접해 있는 순서와 품사(명사·형용사) 사이의 관계를 탐색한다. 특히 프랑스어와 같이 같은 품사가 서로 다른 위치에 나타나는 경우, 동일 클래스 내에서도 여러 역할이 필요함을 보여준다. 제안 모델은 이러한 이질적(heterogeneous) 클래스-역할 매핑을 자동으로 학습하고, 기존의 동질성(assortativity) 가정 기반 집합적 분류기와 비교했을 때 전반적인 정확도와 F1 점수에서 우수한 성능을 기록했다. 또한, 라벨링 비용을 제한한 실험에서 마진 기반 활성 학습이 무작위 라벨링보다 훨씬 효율적으로 정확도를 끌어올리는 것을 확인하였다. 라벨 수가 적을수록 역할 발견 단계에서의 불확실성이 커지지만, 활성 학습이 이를 보완해 최적의 라벨 선택을 가능하게 한다. 본 논문의 주요 기여는 다음과 같다. 1. 혼합 멤버십 블록모델을 이용해 네트워크 역할을 정밀하게 추정하고, 역할 분포를 노드 피처로 활용하는 새로운 파이프라인을 제시. 2. 역할 피처와 최대 마진 분류기를 결합해 클래스와 구조 사이의 비선형 관계를 선형 마진으로 효과적으로 학습. 3. 마진 기반 활성 학습을 도입해 최소 라벨링으로도 역할‑클래스 정합성을 지속적으로 개선, 라벨링 비용을 크게 절감. 이 프레임워크는 노드 속성(피처)이 전혀 없거나 부족한 상황에서도 네트워크 자체만으로 의미 있는 라벨 예측이 가능함을 입증한다. 향후 연구에서는 역할 간 상호작용을 보다 정교하게 모델링하거나, 비선형 커널 SVM, 딥러닝 기반 인코더와 결합해 복잡한 대규모 네트워크에 적용하는 방향이 기대된다.