랜덤 그래프의 농축과 정규화

논문은 먼저 인접 행렬과 라플라시안이라는 두 주요 그래프 표현을 스펙트럴 노름 관점에서 정의하고, 이들 행렬이 기대값에 얼마나 가까이 집중하는지를 연구한다. 기존 연구에서는 밀집 그래프(d = Ω(log n)) 에 대해 \|A - \mathbb{E}A\| = O(\sqrt{d}) 가 성립함을 보였으며, 이는 차수의 평균이 로그 수준 이상일 때는 고도 정점과 저도 정점이 거의 균등하게 분포한다는 사실에 기반한다. 그러나 차수가 로그보다 작아지는 희소 영역에서는 고도 정점이 몇 개 존재하거나 저도 정점, 특히 고립 정점이 나타나면서 행렬 노름이 기대값보다 크게 튀는 현상이 발생한다. 구체적으로, 고도 정점은 행렬의 행 ‑열 노름을 크게 만들고, 저도 정점은 라플라시안의 최소 고유값을 0에 가깝게 만들어 스펙트럴 분포를 왜곡한다. 이를 해결하기 위해 저자들은 두 가지 정규화 방식을 제안한다. 첫 번째는 고도 정점의 차수를 제한하는 방법이다. 차수가 2d 를 초과하는 정점에 대해 연결된 간선의 가중치를 감소시키거나 일부를 제거하여 모든 정점의 새로운 차수가 O(d) 이하가 되도록 만든다. 이 과정에서 행렬의 각 행 ‑열 2‑노름이 √{2d} 로 제한되며, Grothendieck‑Pietsch 분해를 이용해 원래 그래프를 “정규화된 부분”과 “잔여 랜덤 부분”으로 나눈 뒤, 각각에 대해 독립성 및 마트리시스 베르누이 집중 결과를 적용한다. 결과적으로 정규화된 인접 행렬 A₀는 \|A₀ - \mathbb{E}A\| = O(\sqrt{d}) 를 만족한다. 두 번째 정규화는 저도 정점 문제를 다룬다. 모든 간선에 τ/n (τ ≍ d) 를 추가해 그래프를 완전하게 연결된 형태로 만들고, 이때 라플라시안 L(A_τ) 의 차수가 최소 d 로 상승한다. 동일한 분해 기법과 행렬 집중 이론을 적용하면 \|L(A_τ) - L(\mathbb{E}A_τ)\| = O(1/\sqrt{d}) 가 얻어진다. 이 두 결과는 기존 문헌에서 제시된 로그 요인을 제거한 최적 속도이며, 정규화가 희소 그래프에서도 스펙트럴 안정성을 보장한다는 점에서 의미가 크다. 논문은 또한 이러한 이론을 실제 네트워크 분석, 특히 커뮤니티 탐지 문제에 적용한다. 균형 이분 그래프 모델 G(n, a/n, b/n) 에서 a와 b가 충분히 차이가 나면서 평균 차수가 로그 수준 이하인 경우에도, 정규화된 라플라시안의 두 번째 고유벡터는 기대 라플라시안의 고유벡터와 근접한다. Davis‑Kahan 정리와 행렬 집중 결과를 결합하면, 고유벡터의 부호가 원래 커뮤니티 구분과 거의 일치함을 보인다. 따라서 정규화된 스펙트럴 클러스터링은 희소 그래프에서도 높은 정확도로 커뮤니티를 복원할 수 있다. 실험적으로 n=1000, 평균 차수 7~35인 이질적 그래프에 대해 정규화 전후의 스펙트럼을 비교하면, 고도 정점이 만든 긴 고유값 꼬리가 정규화 후 크게 감소함을 확인한다. 전체적으로, 이 논문은 (1) 희소 그래프에서 집중이 깨지는 원인을 고도·저도 정점으로 명확히 규명하고, (2) Grothendieck‑Pietsch 분해를 활용한 새로운 정규화 기법을 제시하며, (3) 정규화된 인접 행렬과 라플라시안이 스펙트럴 노름에서 최적 수렴률을 갖는 것을 증명하고, (4) 이를 커뮤니티 탐지와 같은 실용적인 네트워크 분석에 적용함으로써 기존 이론의 한계를 크게 확장한다는 점에서 학술적·실용적 기여가 크다.