고정 차수 시퀀스 그래프의 균일 샘플링

본 논문은 “주어진 차수 시퀀스를 만족하는 모든 무방향·유향 그래프(라벨이 없는 단순 그래프) 중에서 균일하게 무작위 샘플을 추출하는 문제”를 마코프 체인 기반으로 체계적으로 해결한다. 먼저, 문제 정의와 기존 연구 동향을 정리한다. 차수 시퀀스 실현 존재 여부는 Tutte의 f‑factor, Erdős‑Gallai, Hakimi‑Havel 등 고전적인 알고리즘으로 다항 시간에 확인 가능하며, 실제 실현을 찾는 방법도 알려져 있다. 그러나 실현 전체를 균일하게 샘플링하려면 무작위 워크, 즉 마코프 체인을 설계하고 그 수렴성을 증명해야 한다. **무방향 그래프**에 대해서는 전통적인 스위칭 알고리즘(2‑스와프)을 그대로 마코프 체인 전이 규칙으로 채택한다. 각 상태는 차수 시퀀스의 한 실현이며, 두 상태 사이의 전이는 두 비인접 간선을 교환해 새로운 실현을 만든다. 저자는 이 전이 그래프가 (i) 대칭, (ii) 정규(d‑regular), (iii) 비이분, (iv) 강연결임을 증명한다. 특히 강연결성은 기존 Cooper‑Dyer‑Greenhill의 결과를 간단히 재구성해 보이며, 직경은 전체 간선 수 m에 비례하는 O(m)으로 상한을 잡는다. 따라서 무한히 진행하면 균일 분포에 수렴한다는 것이 보장된다. **유향 그래프**는 상황이 복잡해진다. 2‑스와프만으로는 상태 그래프가 여러 동형 컴포넌트로 분리될 수 있다. 논문은 구체적인 반례(예시 1)를 제시한다. 여기서는 3n개의 정점이 n개의 유도 3‑사이클으로 구성되고, 각 사이클 내부의 방향만 바꿀 수 있어 2‑스와프가 전혀 적용되지 않는다. 결과적으로 상태 그래프는 2ⁿ/3개의 고립 정점(동형 컴포넌트)으로 나뉘어, 무작위 워크가 한 실현에 머무르게 된다. 이를 해결하기 위해 두 가지 방법을 제안한다. 1. **3‑cycle 재지향 연산 추가** 한 유도 3‑사이클의 모든 방향을 반대로 바꾸는 연산을 도입한다. 2‑스와프와 결합하면, 모든 실현을 연결하는 강연결 상태 그래프가 형성된다. 이때 전이 그래프는 여전히 대칭·정규·비이분·강연결이며, 직경은 O(m)이다. 전이 확률은 O(1/m²) 수준으로, 구현이 비교적 간단하다. 2. **동형 컴포넌트 선택 전략** 2‑스와프만으로 형성된 여러 동형 컴포넌트를 사전에 파악한다. 각 컴포넌트는 구조적으로 동일하므로, 무작위로 하나를 선택하고 그 내부에서만 2‑스와프를 수행하면 균일 샘플을 얻을 수 있다. 이 경우 컴포넌트 수 k는 모든 실현에 공통으로 존재하는 유도 3‑사이클의 개수와 동일하며, k를 효율적으로 계산할 수 있다. 차수 시퀀스에서 해당 3‑사이클을 제거(각 정점의 입·출 차수를 1씩 감소)하면 새로운 시퀀스는 자동으로 “arc‑swap sequence”가 된다. 즉, 2‑스와프만으로도 강연결을 보장한다. **arc‑swap sequence**의 정의와 특성화가 논문의 핵심 기여이다. 저자는 다음과 같은 정리를 제시한다. “주어진 차수 시퀀스가 arc‑swap sequence라면, 모든 실현 사이에 최소 하나의 2‑스와프가 존재하여 상태 그래프가 강연결한다.” 이를 판별하기 위해 매칭 기반 알고리즘을 설계했으며, 시간 복잡도는 O(m²)이다. 또한, 병렬 Havel‑Hakimi 알고리즘을 이용하면 선형 시간에도 인식이 가능함을 보였다. 이 알고리즘은 또한 모든 실현에 반드시 포함되는 유도 3‑사이클의 개수 k를 반환한다. k>0이면 원 시퀀스는 arc‑swap이 아니며, 앞서 제시한 두 가지 보정 방법 중 하나를 적용해야 한다. **응용 및 실험적 논의**에서는 네트워크 과학에서 흔히 사용되는 모티프 분석, 중앙성 측정, 평균 직경 계산 등에 이론을 적용한다. 무방향 그래프에서는 기존 스위칭 알고리즘이 충분히 정확하지만, 유향 그래프에서 2‑스와프만 사용할 경우 특정 특성(예: edge betweenness)은 편향될 수 있다. 반면 3‑cycle 재지향을 포함하면 직경이 약간 늘어나지만, 전체 실현 공간을 탐색할 수 있어 보다 정확한 통계적 추정이 가능하다. 또한, 컴포넌트 선택 전략은 실현 수가 매우 큰 경우에도 메모리와 시간 효율성을 크게 개선한다. **결론**에서는 현재 제안된 마코프 체인의 혼합 시간(mixing time)이 아직 빠르게 수렴한다는 증명을 제공하지 않았으며, 이는 향후 연구 과제로 남긴다. 그러나 강연결성, 정규성, 직경 상한, 그리고 arc‑swap sequence의 다항 시간 인식 알고리즘을 제공함으로써, 실용적인 네트워크 분석에 필요한 균일 샘플링 기반을 확립했다는 점에서 큰 의의를 가진다.