전염 확산 기반 스펙트럴 클러스터링

본 논문은 그래프 클러스터링, 특히 스펙트럴 클러스터링에 새로운 접근법을 제시한다. 전통적인 스펙트럴 클러스터링은 그래프 라플라시안(L)이나 정규화 라플라시안(Ls)을 이용해 무작위 워크(random walk)의 확산 특성을 분석하고, 그 고유벡터를 통해 노드를 저차원 공간에 투사한 뒤 k‑means 등으로 군집을 형성한다. 이러한 방법은 “정규화 컷(normalized cut)”이나 “비율 컷(ratio cut)”과 같은 그래프 분할 품질 함수를 최소화하는 완화 문제(relaxation)와 직접 연결된다. 그러나 실제 소셜 네트워크와 같은 복잡한 그래프에서는 서로 다른 커뮤니티 사이에 다수의 교차 링크가 존재해, 무작위 워크 기반 방법이 커뮤니티 경계를 정확히 포착하기 어렵다. 이에 저자들은 전염 확산(epidemic diffusion)이라는 전혀 다른 동적 과정을 도입한다. 전염 확산은 현재 노드의 모든 이웃에게 동시에 전파되며, 물질 보존이 아닌 복제 현상을 보인다. Lerman과 Ghosh가 제안한 복제자 연산자 R = λ_max I − A는 이러한 전염 과정을 수학적으로 표현한다. 여기서 λ_max는 인접 행렬 A의 최대 고유값이며, θ는 그에 대응하는 고유벡터(고유벡터 중심성)이다. 복제자는 라플라시안과 달리 “복제”라는 비보존성을 갖지만, 저자들은 이를 기존 라플라시안과 연결시키는 중요한 변환을 제시한다. 먼저, 그래프의 각 간선을 양쪽 노드의 중심성 곱으로 재가중한다. 즉, 새로운 인접 행렬 ˜A_ij = A_ij θ_i θ_j 로 정의하고, 이에 대응하는 차수 행렬 ˜D_i = Σ_j ˜A_ij = λ_max θ_i² 로 만든다. 이 재가중 그래프에 대한 정규화 라플라시안 L̃_s = I − ˜D^{‑1/2} ˜A ˜D^{‑1/2} 를 전개하면 L̃_s = I − (1/λ_max) A 가 된다. 따라서 복제자 R은 λ_max L̃_s 와 정확히 동일함을 증명한다. 이 동등성은 전염 확산이 재가중된 그래프에서는 전통적인 라플라시안 기반 확산과 완전히 같은 수학적 형태를 가진다는 것을 의미한다. 이론적 기반을 바탕으로 저자들은 새로운 스펙트럴 클러스터링 절차를 설계한다. 복제자 R의 첫 번째 고유벡터 θ와 두 번째 고유벡터 ψ를 계산하고, 각 노드 i에 대해 비율 v_i = ψ_i / θ_i 를 구한다. 이 비율을 오름차순으로 정렬하면 N‑1개의 가능한 이분 컷이 순서대로 나타난다. 각 컷에 대해 재가중 그래프의 정규화 컷 N̂(S) = (Ê(S, ¯S) / vol̂(S)) + (Ê(S, ¯S) / vol̂(¯S)) 를 계산하고, 최소값을 주는 컷을 최종 커뮤니티로 선택한다. 이 과정은 기존 라플라시안 기반 스펙트럴 이분법과 구조적으로 동일하지만, 가중치 재조정으로 인해 “중심성 높은 노드 사이의 연결”이 절단 비용을 크게 증가시켜, 밀집하고 중심적인 클리크 구조를 보존한다. 알고리즘의 효율성도 강조된다. 복제자 R의 두 개 고유벡터만 필요하고, 비율 정렬 후 일차원 탐색을 통해 모든 가능한 컷을 평가하므로, 복잡도는 O(N log N) 정도에 머문다. 또한, 비율 ψ/θ 가 실제로는 무작위 워크 라플라시안 L_rw의 두 번째 고유벡터와 동일하다는 사실을 이용해, 기존의 효율적인 스펙트럴 클러스터링 구현을 그대로 재사용할 수 있다. 실험에서는 Lanciñhetti와 Fortunato가 제안한 계층적 커뮤니티 생성 모델을 사용해 합성 그래프를 만든다. N개의 노드를 매크로 커뮤니티와 마이크로 커뮤니티로 나누고, 두 개의 혼합 파라미터 µ₁(매크로 간 연결 비율)과 µ₂(마이크로 간 연결 비율)를 조절한다. µ₁과 µ₂가 커질수록 커뮤니티 사이의 교차 링크가 많아져 전통적인 라플라시안 기반 방법(L, Ls)은 정밀도와 재현율이 급격히 감소한다. 반면 복제자 기반 방법은 특히 µ₁이 큰 경우에도 높은 NMI와 정확도를 유지한다. 이는 복제자 연산자가 중심성이 높은 노드들을 보호하고, 외부와의 약한 연결을 자연스럽게 절단하도록 가중치를 재조정하기 때문이다. 또한, 논문은 간단한 11노드 예시 그래프를 통해 개념을 시각화한다. 이 그래프는 하나의 밀집 클리크와 하나의 희소 클러스터가 허브 노드 6을 통해 연결된 형태이다. 원 그래프에서는 정규화 컷이 허브를 포함한 비대칭 컷을 선택하지만, 재가중 그래프에서는 허브와 클리크가 함께 유지되는 컷이 비용 면에서 우월함을 수치적으로 보여준다. 결론적으로, 전염 확산을 모델링한 복제자 연산자는 기존 라플라시안과 수학적으로 동등하면서도, 고유벡터 중심성을 이용한 재가중을 통해 “클리크‑우선” 커뮤니티 구조를 강조한다. 이는 소셜 네트워크와 같이 고중심성 허브가 다수의 커뮤니티를 연결하는 경우에, 기존 방법이 놓치기 쉬운 미세한 커뮤니티 경계를 효과적으로 복원한다는 실용적 의미를 가진다. 향후 연구에서는 실제 대규모 소셜 데이터에 적용하고, 동적 네트워크에서의 전염 기반 클러스터링 확장 가능성을 탐색할 여지가 있다.