편향 범위 트리 최적 기대 쿼리 시간 구현

본 논문은 2‑측 직교 범위 카운팅 문제를 다루며, 입력 점 집합 S와 쿼리 분포 D에 대해 최적에 가까운 기대 검색 시간을 제공하는 새로운 데이터 구조인 ‘편향 범위 트리’를 제안한다. 문제 정의는 평면 ℝ²에 있는 n개의 점 S와 확률 측도 D가 주어졌을 때, 쿼리 점 q = (qₓ, qᵧ)를 선택하면 pₓ ≥ qₓ 및 pᵧ ≥ qᵧ인 점들의 개수를 반환하는 2‑측 범위 카운팅을 수행하는 것이다. 기존의 범위 트리와 k‑d 트리, 쿼드 트리 등은 최악 경우 O(log n)·O(log n) 혹은 O(log n) 검색 시간을 제공하지만, 쿼리 분포를 활용한 기대 시간 최적화에는 한계가 있다. 논문은 먼저 비교 트리 모델을 채택한다. 여기서 각 내부 노드는 qₓ 혹은 qᵧ와 미리 정해진 값의 비교 결과에 따라 좌·우(또는 위·아래) 자식으로 이동한다. 이 모델은 정수·실수·다른 데이터 타입을 혼합해도 정확히 동작한다는 장점이 있다. 편향 범위 트리는 크게 세 부분으로 구성된다. 1) **백업 트리**: 전통적인 2‑측 범위 트리로, O(n log n) 공간·구축 시간에 최악 경우 O(log n) 검색 시간을 제공한다. 어려운 쿼리(예: 깊이가 d·log₂ n 이상이거나 해당 영역에 점이 없는 경우)에는 이 백업 트리를 이용한다. 2) **주요 트리**: 루트부터 하향식으로 구성되는 변형 k‑d 트리이다. 각 노드 v는 사각형 영역 r(v)를 담당하고, 깊이에 따라 수평·수직 노드가 번갈아가며 배치된다. 노드가 “split”될 때는 현재 영역 r(v) 안에서 점이 전혀 없는 최대 스트립 s(v)를 선택한다. 이 스트립은 오른쪽(또는 위쪽) 경계는 포함하고 왼쪽(또는 아래쪽) 경계는 제외한다. 스트립을 선택하는 기준은 양쪽 부분의 확률 질량이 전체의 절반 이하가 되도록 하는 것이다. 이렇게 하면 깊이 i에 있는 노드의 영역 확률이 ≤ 2⁻ⁱ가 되므로, 기대 깊이가 분포 D의 엔트로피와 비례하게 제한된다. 3) **카탈로그**: 각 노드 v는 두 개의 정렬된 배열 Cₓ(v)와 Cᵧ(v)를 보유한다. 수평 노드에서는 Cₓ에 오른쪽 영역과 스트립에 포함된 점들을, 수직 노드에서는 Cᵧ에 위쪽 영역과 스트립에 포함된 점들을 저장한다. 카탈로그는 x‑좌표 혹은 y‑좌표 순으로 정렬돼 있어, 쿼리 q가 s(v) 안에 있을 때 이진 탐색을 통해 q보다 큰 좌표를 가진 점들을 빠르게 찾을 수 있다. 중요한 점은 경로 상의 모든 카탈로그가 서로 겹치지 않아 중복 카운팅이 없으며, 각 카탈로그의 크기가 해당 노드의 영역 확률에 비례한다는 것이다. 쿼리 처리 과정은 다음과 같다. 먼저 주요 트리를 따라 q가 속한 스트립 s(v)를 찾는다. 이때 깊이가 d·log₂ n을 초과하거나 해당 영역에 점이 없으면 백업 트리로 전환한다. 그렇지 않으면, 현재 노드와 그 조상 노드들의 카탈로그를 차례로 조사한다. 각 카탈로그에서 q보다 큰 좌표를 가진 점들의 개수를 누적하면, 최종적으로 q가 정의하는 2‑측 사각형 R(q) 안에 포함된 점들의 총 개수를 얻는다. 이 과정에서 필요한 비교 횟수는 ∑ Pr(s(v))·depth(v) 형태이며, 이는 Shannon 엔트로피 하한에 상수 배 차이만 남는다. 이론적 분석에서는 먼저 Shannon의 기본 정리를 이용해 범위 카운팅 문제에 대한 정보 이론적 하한을 도출한다. 2 n개의 레이(각 점에서 왼쪽·아래쪽으로 뻗은 레이)로 만든 배열 A의 면(face) 분포를 고려해, 어떤 비교 트리라도 기대 검색 비용이 ∑ Pr(face)·log(1/Pr(face)) 이상임을 보인다. 그러나 이 하한은 경우에 따라 달성되지 않을 수 있다. 논문은 이러한 한계를 극복하기 위해 주요 트리와 카탈로그 구조가 실제로는 면의 확률 질량을 균등하게 나누도록 설계돼 있음을 증명한다. 결과적으로, 편향 범위 트리의 기대 비용 µ_D(T)는 최적 비교 트리 µ_D(T*)와 상수 C (C≈2)만큼 차이 나는 것을 보인다. 마지막으로, 구현 복잡도와 실용성을 논의한다. 주요 트리와 카탈로그는 각각 O(n log n) 공간을 차지하며, 구축 시간도 동일하게 O(n log n)이다. 백업 트리는 기존 범위 트리 구현을 그대로 재사용하면 되므로 추가적인 구현 부담이 크지 않다. 실험적 평가는 논문에 포함되지 않았지만, 이론적 결과만으로도 기존 구조에 비해 기대 쿼리 시간이 크게 개선될 것으로 기대된다. **결론**적으로, 편향 범위 트리는 쿼리 분포를 활용해 기대 검색 시간을 최적에 가깝게 만들면서도, 최악 경우 O(log n) 성능을 유지하는 실용적인 데이터 구조이다. 이는 기존의 범위 트리·k‑d 트리·쿼드 트리의 장점을 결합한 새로운 설계 패러다임을 제시한다.