네트워크 군집화는 네트워크에서 내재된 커뮤니티나 집단을 발견하는 기본 과제이다. 따라서 스펙트럴 군집화(spectral clustering) 및 정규화 스펙트럴 군집화(regularized spectral clustering)와 같은 네트워크 군집화 방법들이 다양한 분야에 적용되어 왔다. 네트워크 구조 위에, 사회 네트워크 분석에서는 각 정점(vertex)으로부터의 정보를 통합하는 것이 유익할 수 있음이 알려져 있다. 이에 따라 네트워크 연결성뿐만 아니라 정점 공변량(vertex covariates)도 활용하여 잠재 클러스터를 밝히는 일련의 속성(어트리뷰트) 네트워크 군집화 알고리즘이 개발되었다. 본 논문은 서울 공공 자전거 정류장의 군집을 탐지하는 데 초점을 둔 최신 수준의 속성 네트워크 군집화 접근법들의 성능을 비교한다. 데이터 세트는 2019년 자전거 정류장 네트워크에 대한 이동(여행) 정보를 포함한다. 자전거 정류장에 대한 공간 정보는 정점 속성(vertex attributes)으로 제시된다. 우리는 특정 속성 네트워크 군집화 방법들이 자전거 대여 정류장의 설명 가능한 군집을 탐지하는 데 적합함을 보여준다. 본 결과는 자전거 공유 운영자들이 시스템 사용을 더 잘 이해하고, 기존 시스템에서 서비스 품질을 개선하는 방법을 학습하는 데 도움을 줄 수 있다.

본 연구에서는 각 변수가 부모의 선형 함수와 정규 분포 오차로 결정되는 가우시안 선형 구조방정식 모형(SEM)의 식별가능성 가정을 고려한다. 선형 가우시안 구조방정식 모형은 모든 오차 분산이 동일하거나 알려져 있는 경우 완전 식별가능함이 이미 밝혀져 있다. 따라서 본 연구는 동질적 및 이질적 미지 오차 분산을 모두 포함하는 가우시안 SEM의 식별가능성을 증명한다. 우리의 새로운 식별가능성 가정은 오차 분산뿐만 아니라 간선(edge) 가중치도 활용하며, 따라서 선행 연구에서의 식별가능성 결과에 비해 엄밀히 더 약한(덜 제약적인) 가정이다. 또한 본 연구는 새로운 가정에 기반하여 통계적으로 일관적이면서 계산적으로 실행 가능한 구조 학습 알고리즘을 제시한다. 제안하는 알고리즘은 모든 관련 변수가 관측된다고 가정하지만, 인과적 최소성 및 충실성( faithfulness )은 가정하지 않는다. 이론적 결과를 시뮬레이션과 실제 다변량 데이터로 검증하고, 제안 알고리즘을 최신의 PC, GES 및 GDS 알고리즘과 비교한다.