실제 복잡한 네트워크에서는 커뮤니티 구조가 흔히 발견된다. 이러한 네트워크에서 커뮤니티 탐지 작업은 다양한 응용 분야에서 매우 중요한 과제이다. 최근 들어, 노드의 커뮤니티 소속을 자연스럽게 표현할 수 있고 해석성이 뛰어난 점으로 인해 비음수 행렬 분해(NMF, Nonnegative Matrix Factorization)가 커뮤니티 탐지에 널리 활용되고 있다. 그러나 기존의 NMF 기반 커뮤니티 탐지 방법들은 얕은(Shallow) 구조를 가지며, 원본 네트워크를 직접 커뮤니티 소속 공간으로 매핑함으로써 커뮤니티 할당을 학습한다. 현실 세계의 네트워크는 매우 복잡하고 다양한 위상 구조를 지니고 있기 때문에, 원본 네트워크와 커뮤니티 소속 공간 사이의 매핑 관계에는 복잡한 계층적 정보가 포함될 가능성이 매우 높다. 이와 같은 복잡한 구조는 기존의 전통적인 얕은 NMF 기반 접근 방식으로는 충분히 해석할 수 없다. 딥 오토인코더의 고유한 특징 표현 학습 능력을 영감으로 삼아, 본 연구에서는 새로운 모델인 딥 오토인코더 유사 NMF(DANMF, Deep Autoencoder-like NMF)를 제안한다. DANMF는 딥 오토인코더와 유사하게 인코더와 디코더 구성 요소로 이루어져 있으며, 중간 계층에서 원본 네트워크의 은닉된 저수준부터 고수준까지의 특징을 은닉적으로 학습함으로써, 원본 네트워크와 최종 커뮤니티 할당 사이의 계층적 매핑 관계를 효과적으로 학습할 수 있다. 따라서 DANMF는 커뮤니티 탐지 과제에 더 적합할 것으로 기대된다. 기준 데이터셋에 대한 광범위한 실험 결과는 DANMF가 최신의 NMF 기반 커뮤니티 탐지 방법들보다 우수한 성능을 달성함을 입증한다.