CommunityGAN: Generative Adversarial Nets을 이용한 커뮤니티 탐지

커뮤니티 탐지는 유사한 속성이나 기능을 공유하는 정점 그룹을 발견하여 네트워크 데이터를 이해하는 작업을 의미합니다. 최근 딥러닝의 발전에 따라 그래프 표현 학습 기술도 커뮤니티 탐지에 활용되고 있습니다. 그러나, 학습된 정점 임베딩에 기반한 클러스터링 알고리즘을 적용해야만 커뮤니티를 추론할 수 있습니다. 이러한 일반적인 클러스터링 알고리즘인 K-평균과 가우시안 혼합 모델은 중복되는 커뮤니티를 많이 출력하지 못하는데, 이는 많은 실제 네트워크에서 매우 흔하다는 것이 증명되었습니다. 본 논문에서는 중복 커뮤니티 탐지와 그래프 표현 학습을 동시에 해결하는 새로운 커뮤니티 탐지 프레임워크인 CommunityGAN을 제안합니다. 첫째, 전통적인 그래프 표현 학습 알고리즘의 임베딩 벡터 값이 특별한 의미를 갖지 않는 것과 달리, CommunityGAN의 임베딩은 정점이 커뮤니티에 속하는 정도를 나타냅니다. 둘째, 동특하게 설계된 생성적 적대 신경망(GAN)이 사용되어 이러한 임베딩을 최적화합니다. 모티브 단위 생성기와 판별기 사이의 미니맥스 경쟁을 통해 두 시스템은 서로 대체적으로 반복적으로 성능을 향상시키고, 결국 더 나은 커뮤니티 구조를 출력할 수 있습니다. 합성 데이터와 실제 세계 작업에 대한 광범위한 실험 결과가 보여주듯, CommunityGAN은 최신 방법론들보다 실질적으로 우수한 커뮤니티 탐지 성능을 보입니다.