그룹 근접 중심성 최대화의 정확·근사 알고리즘 혁신

본 논문은 그래프 이론 및 네트워크 분석 분야에서 핵심적인 문제인 그룹 근접 중심성 최대화(GCCM)를 다룬다. GCCM은 주어진 그래프 G=(V,E)와 정수 k에 대해, |S|=k인 정점 집합 S가 전체 정점에 대해 최소 거리 합을 최소화하도록 찾는 NP‑hard 문제이다. 기존 연구에서는 두 가지 주요 접근법이 제시되었다. 첫 번째는 브랜치‑앤‑바운드 방식으로, 정점 집합을 탐색 트리 형태로 전개하고 초모듈러 특성을 이용해 하위 트리를 효율적으로 가지치기한다. 두 번째는 정수 선형 계획법(ILP)을 활용하는 방법으로, 특히 Staus et al.이 제안한 반복 ILP(ILPind) 방식이 현재 가장 효율적인 정확 알고리즘으로 평가받는다. ILPind는 각 정점 v에 대해 가능한 거리 i∈{0,…,ecc(v)}에 대한 변수 x_{v,i}를 도입하고, 초기에는 i≤2만 고려한다. 해가 충분히 정확하지 않으면 모든 d(v)를 1씩 증가시켜 ILP를 다시 풀며, 최종적으로 충분한 ILP가 발견될 때까지 반복한다. 이 과정에서 지배 정점(dominated vertex) 집합 D를 사전 제거해 탐색 공간을 축소한다. 본 논문은 이러한 반복 ILP 구조에 두 가지 혁신적인 개선을 제안한다. 첫 번째는 데이터 감소 기법으로, 현재까지 발견된 거리 상한 d(v)를 활용해 불필요한 변수 x_{v,i} (i>d(v))를 사전에 제거한다. 또한, 지배 정점 집합 D를 계산해 D에 속한 정점들의 x_{v,0} 변수를 완전히 삭제한다. 이로써 ILP의 변수와 제약 수가 크게 감소하고, 메모리 사용량과 해결 시간 모두 현저히 줄어든다. 두 번째 개선은 반복 횟수를 최소화하는 조기 종료 전략이다. 기존 방법은 해가 충분히 정확하지 않을 경우 모든 d(v)를 1씩 증가시키며 전체 ILP를 다시 푼다. 저자들은 현재 해 f*와 하한 b를 동시에 추적해, b가 f*보다 크면 현재 ILP가 이미 최적임을 보장한다. 이를 통해 불필요한 반복을 방지하고, 평균 3.6배, 최악의 경우 22.3배까지 실행 시간이 단축된다. 실험은 사회 네트워크, 생물학적 네트워크, 전력망 등 다양한 실제 데이터셋에서 수행되었으며, 모든 경우에서 제안 기법이 기존 최첨단 ILPind보다 빠르게 최적 해를 찾았다. 근사 알고리즘 측면에서는 Angriman et al.이 제시한 1/5‑근사 로컬 스와프 알고리즘에 동일한 감소 기법을 적용한다. 후보 정점 집합을 “가능한 최적 해를 반드시 포함하는” 작은 서브셋으로 제한하고, 이 서브셋을 구성할 때도 지배 정점과 거리 상한 정보를 활용한다. 결과적으로 스와프 탐색 공간이 크게 축소돼 평균 1.4배, 최대 2.9배의 속도 향상이 발생하면서 1/5 근사 비율은 그대로 유지된다. 또한, Chen et al.이 주장한 (1‑1/e) 근사 보장은 그룹 근접 중심성 함수가 초모듈러이지만 서브모듈러가 아니므로 적용될 수 없음을 증명한다. 실제로 그리디 알고리즘은 특정 그래프에서 최적 해의 30% 이하만을 달성하는 사례가 존재한다. 따라서 GCCM 문제에 대한 근사 보장을 제공하려면 서브모듈러가 아닌 다른 구조적 특성을 이용한 새로운 알고리즘이 필요함을 강조한다. 결론적으로, 본 논문은 정확 알고리즘의 실용성을 크게 높이는 동시에, 근사 알고리즘에도 실질적인 가속을 제공함으로써 대규모 네트워크 분석에 있어 그룹 중심성 측정의 적용 범위를 확장한다. 제안된 두 가지 기법은 ILP 기반 최적화와 로컬 탐색 모두에 적용 가능하며, 향후 더 큰 규모의 그래프와 다양한 중심성 지표에 대한 확장 연구에 기여할 것으로 기대된다.