가중 매칭과 최대곱 알고리즘의 완전 일치

본 논문은 일반 그래프에서 가중 매칭 문제를 해결하기 위한 두 가지 전통적 접근법, 즉 선형계획(LP) 완화와 최대‑곱(Max‑Product) 메시지 전달 알고리즘 사이의 정확한 관계를 밝힌다. 서론에서는 메시지 전달 기법이 트리 구조에서는 정확하지만, 일반적인 루프 그래프에서는 수렴성·정확성 보장이 어려운 현황을 제시하고, 특히 매칭 문제에 대한 기존 연구(특히 이분 그래프에서의 결과)와의 차별점을 강조한다. 첫 번째 섹션에서는 가중 매칭을 정수계획(IP) 형태로 정의한다. 변수 x_e∈{0,1}는 간선 e가 매칭에 포함되는지를 나타내며, 각 정점 i에 대해 incident한 간선들의 합이 1 이하라는 제약을 둔다. 이를 0≤x_e≤1로 완화하면 LP가 된다. LP가 ‘tight’하면 최적해가 전부 0 또는 1이 되며, 이는 이분 그래프에서는 항상 성립하지만 일반 그래프에서는 가중치에 따라 달라진다. 쌍대문제는 최소 정점 커버이며, 보완적 슬랙니스(Lemma 1)를 통해 최적 매칭 M*와 쌍대 변수 z_i 사이의 관계를 정리한다. 특히 M*에 포함된 간선은 w_ij = z_i+z_j, 포함되지 않은 간선은 w_ij ≤ z_i+z_j, 그리고 매칭에 사용되지 않은 정점의 z_i는 0이라는 성질을 갖는다. 두 번째 섹션에서는 매칭 문제를 확률분포 p(x)∝∏_i 1{∑_{j∈N(i)}x_{ij}≤1}·∏_e e^{w_e x_e} 로 변환한다. 이 분포는 매칭이 아닌 조합에 대해 0 확률을 부여하고, 매칭의 가중합을 지수 형태로 인코딩한다. 변수는 간선, 팩터는 정점이 되며, 메시지는 변수↔팩터 간에 2차원 벡터(0,1) 형태로 교환된다. 업데이트 식은 논문에 명시된 대로 간단히 정리될 수 있다. 각 간선은 belief b_e