정규화된 모듈러리티 최대화를 통한 차수 보정 블록 모델 커뮤니티 탐지

본 연구는 네트워크 커뮤니티 탐지의 대표 모델인 확률 블록 모델(SBM)의 한계를 극복하고자, 차수 이질성을 허용하는 차수 보정 확률 블록 모델(DCSBM)을 전제로 새로운 알고리즘을 제안한다. 기존 SBM은 같은 커뮤니티 내 모든 노드가 동일한 기대 차수를 가진다는 비현실적인 가정을 가지고 있어, 실제 네트워크의 헤비테일 차수 분포를 제대로 설명하지 못한다. DCSBM은 각 노드 i에 θ_i 라는 차수 보정 파라미터를 부여해, 같은 커뮤니티 내에서도 차수가 크게 달라질 수 있게 만든다. 알고리즘은 크게 두 단계로 구성된다. 첫 번째 단계는 전통적인 모듈러리티 최대화 식을 행렬 형태로 재작성하고, 파티션 행렬 Y에 대한 이산 제약을 완전 양정(PSD) 및 0‑1 구간 제약으로 볼록화한다. 이를 통해 (2.6) 형태의 반정수 프로그램을 얻으며, λ 파라미터를 조정해 작은 커뮤니티도 탐지 가능하도록 설계한다. 두 번째 단계는 볼록 해 Ŷ를 실제 클러스터링으로 변환하기 위해, 이중 가중치를 적용한 ℓ₁‑k‑median(또는 k‑medoid) 절차를 도입한다. 구체적으로, Ŷ의 각 열을 해당 노드 차수 d_j 로 스케일링해 x_W = Ŷ D 행렬을 만든 뒤, 각 행을 d_i 로 가중한 ℓ₁ 거리 합을 최소화하도록 클러스터 중심을 선택한다. 이 과정은 Charikar et al. (1999)의 다항 시간 근사 알고리즘을 활용해 구현한다. 이론적 분석에서는 먼저 DCSBM 하에서의 밀도 차이 조건(3.2)을 제시한다. 이는 같은 커뮤니티 내 최대 연결 확률이 다른 커뮤니티 간 최소 연결 확률보다 충분히 크다는 의미이며, 차수 보정 파라미터 θ_i 를 포함한다. 이 조건과 평균 차수가 유한한 희소 그래프 가정 하에, 볼록 해 Ŷ와 진짜 파티션 Y° 사이의 Frobenius norm 오차가 O(√(n log n)/δ) 로 제한됨을 증명한다. 여기서 δ는 밀도 차이의 최소값이다. 또한, 오차 경계가 차수에 의해 가중되므로 최소 차수에 민감하지 않아, 평균 차수가 상수 수준인 경우에도 강력한 근사 클러스터링 성능을 보장한다. 추가적으로, 신호‑대‑노이즈 비율이 충분히 큰 경우(즉, B_{aa}θ_iθ_j 와 B_{ab}θ_iθ_j 사이의 비율이 큰 경우)에는 Ŷ가 정확히 Y°와 일치하는 완전 복구(perfect clustering) 결과를 얻는다. 이는 기존 SBM 기반 방법들이 최소 차수에 의존해 희소 그래프에서 실패하는 점을 극복한다. 실험 부분에서는 합성 DCSBM 데이터를 다양한 파라미터 설정(커뮤니티 수, 차수 이질성, 평균 차수)으로 생성하고, 제안 방법과 최신 스펙트럴 방법(SCORE, LE, Amini 등)을 비교한다. 결과는 제안 방법이 특히 차수가 크게 편차가 있는 경우에 오분류율이 낮으며, 정치 블로그 데이터와 전력망 데이터 같은 실제 네트워크에서도 경쟁력 있는 성능을 보인다. 구현 측면에서는 SDP 기반 볼록 최적화와 ℓ₁‑k‑median 근사 알고리즘을 이용해 전체 복잡도가 다항 시간에 머물며, 메모리 사용량도 실용적인 수준이다. 결론적으로, 이 논문은 모듈러리티 최대화를 볼록화하고, 이중 가중치 ℓ₁‑k‑median 클러스터링을 결합함으로써 DCSBM 하에서 이론적 최적성(비정규화된 오류 한계와 완전 복구 조건)과 실용적 효율성(다항 시간 구현, 희소 그래프에서도 강인함)을 동시에 달성한 최초의 작업 중 하나이다.