최근 발표된 연구 논문은 소셜 네트워크, 인용 네트워크, 생물학적 네트워크 등 복잡한 실제 그래프에서 숨겨진 커뮤니티(community)를 효과적으로 찾아내는 새로운 계층적 프레임워크 세 가지를 제시했습니다. 이 접근 방식은 기존의 최첨단 커뮤니티 탐지 알고리즘인 라이덴(Leiden) 및 루뱅(Louvain)과 견줄 만한 성능을 보이면서도, 커뮤니티 구조를 계층적으로 파악할 수 있다는 점에서 차별점을 가집니다.
이 연구는 다양한 연결 기반 클러스터링 알고리즘, 정점 근접 행렬, 그리고 그래프 표현 학습(Graph Representation Learning) 모델을 통합하여 364가지의 모듈 조합을 비교 분석했습니다. 특히, 와서먼-파우스트(Wasserman-Faust)와 상호 정보 기반 PPMI 근접성(mutual information-based PPMI proximity), 그리고 딥러닝 기반 DNGR 표현(deep learning-based DNGR representations)을 결합한 파이프라인이 가장 우수한 성능을 보였습니다. 이들은 모든 가능한 크기의 중첩된 파티션(nested partitions)을 출력하여, 미리 정확한 파티션 수를 알 수 없는 상황에서 특히 유용하며, 이러한 계층적 특성은 성능 저하 없이 얻을 수 있음을 입증했습니다. 특히 작은 커뮤니티가 많은 그래프에서 기존 솔루션보다 더 정확한 결과를 제공합니다.
이러한 계층적 커뮤니티 탐지 능력은 다양한 분야에서 중요한 의미를 가집니다. 예를 들어, 소셜 미디어에서 특정 관심사를 공유하는 소규모 그룹을 찾아내거나, 학술 논문 네트워크에서 특정 연구 주제를 중심으로 형성된 학술 커뮤니티를 식별하는 데 활용될 수 있습니다. 또한, 생물학적 네트워크에서 특정 기능을 수행하는 단백질 복합체를 발견하는 등 복잡한 시스템의 숨겨진 구조와 관계를 이해하는 데 크게 기여할 수 있습니다. 다만, 이 접근 방식은 시간 복잡성(time complexity)이 높아 개인용 컴퓨터에서는 약 10,000개 정점(vertex) 규모의 네트워크에만 적용 가능하다는 한계가 있습니다.