비백트래킹 행렬의 지배 고유값을 이용한 루머 출처 탐지

본 논문은 인터넷 및 모바일 기기의 보급으로 온라인 소셜 네트워크에서 급속히 확산되는 루머의 출처를 정확히 찾아내는 문제에 초점을 맞춘다. 기존 연구들은 주로 트리 구조에 대한 최대우도 추정이나, Jordan Center, Rumor Center와 같은 중앙성 지표를 활용했으며, 다중 출처 상황에서는 네트워크를 파티셔닝하거나 K-center 기반 방법을 적용했다. 그러나 이러한 방법들은 루프가 많은 일반 그래프에서 최적이 아니며, 다중 출처가 겹치는 경우에도 적절히 처리하지 못한다는 단점을 가지고 있다. 저자들은 이러한 한계를 극복하기 위해 메시지 패싱 방정식을 기반으로 새로운 접근법을 제시한다. 먼저, 감염되지 않은 확률 P_i(t)와 간선 방향성(i→j)에서의 비감염 확률 v_{i→j}(t)를 정의하고, SI 모델 하에서 각 시간 단계마다 전파가 독립적으로 일어난다고 가정한다. 이때, 메시지 패싱 방정식 (1)은 v_{i→j}(t)를 시간에 대한 합으로 표현한다. 이후 t→∞ 한계에서 v_{i→j}(∞)는 n_i와 이웃들의 v 값들의 곱으로 단순화된다. 비선형 방정식들을 선형화하기 위해 v_{i→j}를 1에 대한 작은 편차로 전개하고, 그 결과를 행렬 형태로 정리하면 비백트래킹(해시모토) 행렬 B가 등장한다. B는 그래프의 각 유향 간선에 대해 자기 자신을 제외한 역방향 간선으로의 전이만을 허용하는 특성을 가진다. 출처 후보 집합 S에 대해 해당 노드와 연결된 행을 0으로 만든 행렬을 R이라고 정의하고, 이를 ‘축소 비백트래킹 행렬’이라 부른다. 핵심 가설은 실제 출처를 S에 포함시키면 R의 지배 고유값 λ_max(R)이 최소가 된다는 것이다. 이는 R가 비백트래킹 경로의 전파를 억제하는 정도를 나타내며, 출처가 실제라면 전파가 가장 빠르게 확산되어 λ_max가 작아진다는 직관과 일치한다. 따라서 출처 탐지는 “min_n max λ(R)”라는 미니맥스 문제로 전환된다. 알고리즘 구현은 두 단계로 나뉜다. 첫 번째인 MSI(Multiple Source Identification) 알고리즘은 모든 가능한 |S|개의 조합을 열거하고, 각 조합에 대해 R을 구성한 뒤 파워 이터레이션으로 λ_max(R)를 계산한다. 최솟값을 주는 조합을 최종 출처 후보로 선택한다. 이 과정의 시간 복잡도는 O(M·N·|S|)이며, 특히 |S|가 커질수록 조합 수가 급증한다는 단점이 있다. 두 번째는 PMSI(Perturbation-based Multiple Source Identification) 알고리즘이다. 여기서는 B와 R의 차이를 ΔB로 보고, 섭동 이론을 적용해 λ_max(R) ≈ λ_max(B) - Δλ 형태로 근사한다. Δλ은 좌·우 고유벡터(v, u)와 ΔB의 내적으로 표현되며, ΔB는 출처 노드와 그 이웃 간의 행을 0으로 만든 행렬이다. 최종 근사식 (15)는 출처 후보마다 Δλ을 빠르게 계산할 수 있게 해준다. 따라서 전체 복잡도는 O(N·|S|)로 크게 감소한다. 실험에서는 네 가지 네트워크 유형(작은 세계, 전력 그리드, 페이스북 서브그래프, 정규 격자)에서 단일 및 다중 출처 시나리오를 500번씩 시뮬레이션했다. 평가 지표는 정확도, 1-hop 정확도, 평균 오류 거리이다. 결과는 다음과 같다. 단일 출처 경우, MSI는 모든 네트워크에서 기존 Jordan Center와 Rumor Center+ BFS보다 높은 정확도와 1-hop 정확도를 기록했으며, 특히 루프가 많은 페이스북과 격자에서 차이가 크게 나타났다. PMSI는 경우에 따라 MSI와 동등하거나 약간 더 좋은 성능을 보였으며, 계산 비용이 현저히 낮았다. 다중 출처 경우에도 MSI와 PMSI가 기존 방법보다 우수했지만, 정확도는 네트워크와 출처 수에 따라 다소 감소하였다. 논문의 주요 기여는 (1) 비백트래킹 행렬을 이용해 루머 출처 탐지 문제를 스펙트럼 최소화 문제로 변환한 새로운 휴리스틱, (2) 섭동 기반 근사로 계산 복잡도를 크게 낮춘 실용적 알고리즘, (3) 다양한 Loopy 네트워크에서 기존 방법보다 일관된 성능 향상을 입증한 실험적 검증이다. 한계점으로는 출처 수가 많아질 경우 조합 탐색 비용이 여전히 높으며, 섭동 근사의 정확도 범위에 대한 이론적 분석이 부족하다는 점이다. 향후 연구에서는 연속 최적화 기법, 샘플링 기반 탐색, 혹은 그래프 신경망을 결합해 조합 탐색을 효율화하고, 비백트래킹 행렬의 스펙트럼 특성을 더 깊이 분석해 정확도 보장을 이론화할 필요가 있다.