커뮤니티 탐지를 위한 대조적 딥 비음수 행렬 분해

최근 들어, 비음수 행렬 분해(NMF)는 해석 가능성 측면에서 우수하다는 이유로 커뮤니티 탐지에 널리 활용되고 있다. 그러나 기존의 NMF 기반 방법들은 다음과 같은 세 가지 문제점을 지닌다. 첫째, 기존 네트워크를 직접 커뮤니티 소속 공간으로 변환하기 때문에 계층적 정보를 효과적으로 포착하기 어렵다. 둘째, 네트워크의 구조적 특성에만 초점을 맞추며 노드의 속성 정보를 무시하는 경우가 많다. 셋째, 커뮤니티 탐지에 필수적인 전역 구조 정보를 효과적으로 학습하기 어렵다. 이러한 문제를 해결하기 위해, 본 연구는 대비 학습 기반의 깊은 비음수 행렬 분해 기법을 활용한 새로운 커뮤니티 탐지 알고리즘인 대비적 깊은 비음수 행렬 분해(Contrastive Deep Nonnegative Matrix Factorization, CDNMF)를 제안한다. 본 알고리즘은 먼저 NMF의 정보 추출 능력을 강화하기 위해 깊은 구조로 확장한다. 이후 대비 학습의 아이디어를 차용하여, 네트워크 구조와 노드 속성을 각각 대조되는 두 가지 시각으로 구성한다. 더불어 편향 없는 음성 샘플링 레이어를 도입하고 커뮤니티 수준에서 노드 유사도를 학습함으로써, 모델의 커뮤니티 탐지 적합성을 향상시킨다. 제안된 모델은 3개의 공개 실세계 그래프 데이터셋에서 실험을 수행하였으며, 기존 최첨단 방법들에 비해 더 우수한 성능을 달성하였다. 코드는 https://github.com/6lyc/CDNMF.git 에 공개되어 있다.