시간진화 클러스터링을 위한 메시지 전달 기반 진화형 어피니티 전파

본 논문은 시간에 따라 변화하는 데이터에 대한 클러스터링 문제를 해결하기 위해 ‘진화형 어피니티 전파(Evolutionary Affinity Propagation, EAP)’라는 새로운 알고리즘을 제시한다. 기존의 진화 클러스터링 기법은 일반적으로 독립적인 스냅샷에 전통적인 클러스터링 알고리즘을 적용한 뒤, 사후에 클러스터 매칭이나 클러스터 수 추정 과정을 추가한다. 이러한 접근법은 (1) 클러스터 수를 사전에 지정하거나 별도 추정 절차가 필요하고, (2) 클러스터 매칭이 복잡하며, (3) 데이터 포인트가 시점마다 등장·소멸하는 경우에 취약하다는 문제점을 가진다. EAP는 이러한 한계를 극복하기 위해 두 가지 핵심 아이디어를 도입한다. 첫 번째는 ‘시간 연결 팩터(Dᵗᵢⱼ)’를 통해 인접 시점의 변수 노드(cᵗᵢⱼ)를 직접 연결함으로써, 클러스터링 과정 자체에 시간적 부드러움(temporal smoothness) 제약을 포함시키는 것이다. Dᵗᵢⱼ는 이전 시점과 현재 시점에서 동일 객체가 서로 다른 전시자를 선택하면 –γ(γ>0) 만큼 비용을 부과한다. 이 비용은 클러스터링 최적화 과정에서 최소화되므로, 동일 객체가 연속된 시점에서 전시자를 자주 바꾸는 경우가 억제된다. 두 번째는 ‘합의 노드(consensus node)’를 도입해 클러스터의 정체성을 시계열 전체에 걸쳐 유지하고, 클러스터의 탄생·소멸을 자동으로 감지한다. 합의 노드는 각 시점의 전시자 집합을 하나의 메타 노드로 통합하고, 전시자 교체가 일정 횟수 이상 지속될 경우 새로운 합의 노드를 생성한다. 반대로, 일정 기간 동안 전시자가 존재하지 않으면 해당 합의 노드를 폐기한다. 이를 통해 클러스터 매칭을 별도 수행할 필요 없이 클러스터 ID가 자연스럽게 부여·갱신된다. 수학적으로는 기존 어피니티 전파의 목적함수에 시간 연결 팩터와 합의 노드에 대한 제약을 추가한다. 변수 노드 cᵗᵢⱼ는 이진값을 가지며, i가 j를 전시자로 선택했는지를 나타낸다. 팩터 Iᵗᵢ와 Eᵗⱼ는 각각 ‘한 번에 하나의 클러스터에만 속한다’와 ‘전시자는 자신을 전시자로 선택한다’는 제약을 유지한다. 새로운 팩터 Dᵗᵢⱼ는 이전 시점의 변수값과 현재 시점의 변수값이 다를 경우 –γ의 패널티를 부여한다. 합의 노드와 관련된 팩터는 전시자 집합의 일관성을 평가하고, 클러스터 생·소·변을 판단한다. 메시지 전달은 max‑sum 알고리즘을 기반으로 하며, 기존 AP에서 사용되는 책임(ρ)과 가용성(α) 메시지에 추가로 φ와 δ 메시지가 도입된다. φ는 미래 시점(t+1)으로부터 전이되는 책임 정보를, δ는 과거 시점(t‑1)으로부터 전이되는 가용성 정보를 각각 전달한다. 최종 업데이트 식은 다음과 같다. - ρᵗᵢⱼ = sᵗᵢⱼ + φᵗᵢⱼ + δᵗᵢⱼ – maxₖ≠ⱼ (αᵗᵢₖ + sᵗᵢₖ + φᵗᵢₖ + δᵗᵢₖ) - αᵗᵢⱼ = { min(0, ρᵗⱼⱼ + Σₖ∉{i,j} max(0, ρᵗₖⱼ)) if i≠j ; Σₖ≠j max(0, ρᵗₖⱼ) if i=j } φ와 δ는 각각 다음과 같이 정의된다. - φᵗᵢⱼ = –γ if cᵗ⁺¹ᵢⱼ ≠ cᵗᵢⱼ, 0 otherwise - δᵗᵢⱼ = –γ if cᵗᵢⱼ ≠ cᵗ⁻¹ᵢⱼ, 0 otherwise 이러한 메시지 구조는 각 시점의 클러스터링 결과가 인접 시점의 결과와 상호 의존하도록 만든다. 따라서 전체 시계열에 대한 전역 최적화를 수행하면서도, 각 시점에 대한 로컬 최적화도 동시에 달성한다. 알고리즘 흐름은 크게 네 단계로 구성된다. (1) 초기화: 모든 데이터 포인트에 대해 자기유사도(preference)를 설정하고, γ와 메시지 감쇠 계수 λ를 지정한다. (2) 메시지 업데이트: 위 식에 따라 ρ, α, φ, δ를 반복적으로 갱신한다. (3) 전시자 결정: 각 시점 t에 대해 cᵗᵢⱼ = 1인 j를 선택하고, 이를 기반으로 클러스터를 형성한다. (4) 합의 노드 관리: 전시자 집합의 변화를 모니터링하여 새로운 합의 노드를 생성하거나 기존 노드를 폐기한다. 실험에서는 네 가지 데이터셋을 사용하였다. 첫 번째는 클러스터 수와 이동 패턴이 사전에 알려지지 않은 합성 데이터로, EAP는 정확히 실제 클러스터 수와 전이 시점을 복원하였다. 두 번째는 해양 온도 시계열 데이터로, 계절적 변동과 급격한 이상 현상을 동시에 포착했으며, 기존 AFFECT와 비교해 클러스터 연속성 지표가 15% 이상 향상되었다. 세 번째는 주식 가격 변동 데이터로, 시장 변동기에 새로운 클러스터(예: 급등 종목 그룹)가 자동으로 생성되는 것을 확인했다. 네 번째는 환자 진료 기록 데이터로, 치료 단계 전환에 따른 클러스터 재구성이 자연스럽게 이루어졌다. 모든 실험에서 정밀도, 재현율, ARI(Adjusted Rand Index) 등 정량적 지표가 기존 방법보다 우수했으며, 특히 클러스터 수가 급격히 변하는 상황에서 EAP의 안정성이 두드러졌다. 한계점으로는 (1) γ, φ, δ와 같은 하이퍼파라미터 설정이 성능에 큰 영향을 미치며, 데이터 특성에 따라 튜닝이 필요한다는 점, (2) 완전 연결된 유사도 행렬을 사용할 경우 메시지 계산 복잡도가 O(N²)으로 증가해 메모리와 시간 비용이 크게 늘어난다. 저자들은 희소 행렬 활용, 메시지 업데이트의 병렬화, 그리고 γ를 데이터 기반으로 자동 조정하는 방법을 향후 연구 과제로 제시한다. 결론적으로, EAP는 전통적인 어피니티 전파를 시간 차원으로 확장함으로써 클러스터 수 자동 추정, 클러스터 추적, 데이터 삽입·삭제 지원 등 진화 클러스터링의 핵심 요구사항을 하나의 프레임워크 안에서 해결한다. 이는 동적 네트워크 분석, 시계열 기반 이상 탐지, 연속적인 의료 데이터 분석 등 다양한 분야에 적용 가능성을 열어준다.