고차원 이진 데이터의 작은 샘플로 균형 혼합 분포를 정확히 구분하는 그래프 기반 방법

**1. 문제 정의 및 동기** 저자들은 유전학·생물정보학에서 흔히 마주치는 상황, 즉 n 개의 개체에 대해 K 개의 SNP(단일 뉴클레오타이드 다형성) 데이터를 수집했지만 n ≪ K 인 경우를 다룬다. 각 개체는 두 개 이상의 인구 집단 중 하나에 속하며, 각 차원은 해당 집단의 알레일 빈도 p_i^{(t)} 에 따라 독립적으로 0/1 값을 가진다. 목표는 **샘플을 정확히 원래 집단으로 분류**하면서, 필요한 특성 수 K 를 최소화하는 것이다. **2. 모델 및 핵심 파라미터** - 제품 분포 Ω_t (t=1,…,k) : 각 차원 i 에 대해 비트가 1이 될 확률 p_i^{(t)}. - 평균 ℓ₂² 거리 γ = (1/K)∑_{i=1}^K (p_i^{(1)}−p_i^{(2)})², 두 분포 사이의 구분도. - 균형 가정: N₁=N₂=N, 전체 샘플 n=2N. **3. 그래프 기반 접근** 샘플들을 정점으로 하는 완전 그래프 G를 만든다. 정점 x, y 사이의 가중치는 Hamming 거리 d_H(x,y) 또는 동등하게 K−d_H(x,y) (내적 점수). 목표는 **균형 최대 가중치 컷**(각 파트에 N 개의 정점) 을 찾는 것. **4. 이론적 결과 (Theorem 1 및 Theorem 7)** - **조건**: K ≥ c·(ln N / γ) 및 KN ≥ c'·(ln N·log log N / γ²) (c, c'는 상수). - **결과**: 확률 1−1/poly(N) 하에, 모든 균형 컷 중 가중치가 최대인 컷이 정확히 원본 두 집단을 구분한다. 즉 score(T) < score(S, \bar S) 모든 다른 균형 컷에 대해 성립한다. **5. 핵심 증명 아이디어** - **점수 정의**: score(X,Y)=⟨X,Y⟩ 또는 K−d_H(X,Y). - **diff 변수**: 각 정점 X 에 대해 diff(X)=E_{X'}