부분공간 회피 문제와 파라미터화된 알고리즘

초록

본 논문은 k‑차원 부분공간 M을 회피해야 하는 격자 문제(SAP)를 파라미터 k에 대해 분석한다. AKS sieving 기법을 활용해 (1+ε) 근사 알고리즘을 2^{O(n)}·(1/ε)^k 시간에, 그리고 ℓ_p 노름에 대해 정확한 해를 2^{O(n+k log k)} 시간에 구한다. 또한 모든 gauge 함수에 대해 적용 가능함을 보이고, AKS 기반 SVP 알고리즘의 쿼리 복잡도 하한 Ω(2^n)을 증명한다.

상세 분석

이 논문은 격자 이론에서 핵심적인 두 문제인 최단벡터 문제(SVP)와 가장 가까운 벡터 문제(CVP)를 일반화한 ‘부분공간 회피 문제(Subspace Avoiding Problem, SAP)’에 파라미터화된 복잡도 관점을 도입한다. 여기서 파라미터 k는 회피해야 할 부분공간 M의 차원이며, k가 작을수록 문제의 난이도가 크게 감소한다는 직관을 정량화한다.

핵심 기법은 Ajtai‑Kumar‑Sivakumar(AKS) sieving 절차를 gauge 함수 f에 대해 일반화한 것이다. 기존 AKS는 ℓ_2 노름에 특화돼 있었지만, 저자들은 f가 양의 동형성, 동차성, 삼각 부등식을 만족하는 모든 gauge 함수에 대해 동일한 ‘그리디 커버링’ 절차가 동작함을 보였다. Lemma 1은 입력 점 집합을 O(1) 시간에 5^n 이하의 대표점 집합 S로 압축하고, 각 원점에서 거리 ≤ r/2인 점을 보장한다. 이때 볼륨 비례 관계 vol(B_f(0,cr)) = c^n·vol(B_f(0,r))를 이용해 |S| ≤ 5^n을 증명한다.

근사 알고리즘은 다음과 같이 구성된다. (1) 격자 L을 기준으로 반경 R = n·max_i‖b_i‖_f 만큼의 f‑볼을 정의하고, (2) DFK‑샘플러를 이용해 B_f(0,2) 안에서 N = Θ((n+k log(1/ε))·log R)개의 점을 거의 균등하게 추출한다. (3) 각 샘플을 격자 기본 평행육면체 안으로 모듈러 연산(mod L)하여 y_i를 얻고, (x_i−y_i)∈L인 차이를 기록한다. (4) 위 Lemma 1을 여러 차례 적용해 점 집합을 단계적으로 절반 이하로 축소하면서 차이 벡터들의 길이를 점차 줄인다. 최종적으로 O(log R) 라운드 후에는 차이 벡터가 f‑볼 B_f(0,8) 안에 머무른다.

이후 중요한 관찰은 차이 벡터들의 집합 Z가 M에 평행한 k‑차원 코셋에 속한다는 점이다. 코셋을 구분해 각 코셋에서 최소 거리 ≥ 2인 벡터들을 선택하면, 볼륨 팩킹 논리를 통해 코셋 수가 ≤ 2^{O(k log (1/ε))}임을 얻는다. 따라서 Z 안에서 두 벡터를 뺀 차이가 목표 최단벡터 v와 ε‑근접한 벡터 u(‖u‖_f ≤ ε)를 합성해 (v+u)라는 (1+ε) 근사해를 만든다. 성공 확률은 1−2^{-Ω(n)}으로, 충분히 큰 상수 c를 잡으면 보장된다.

정확 알고리즘은 위 근사 절차에 추가적인 ‘정밀 sieving’ 단계와 k‑차원 코셋에 대한 완전 탐색을 결합한다. 코셋 수가 2^{O(k log k)}이므로, 전체 복잡도는 2^{O(n+k log k)}이 된다. 이때 ℓ_p 노름을 포함한 모든 nice gauge 함수에 대해 동일하게 적용 가능하다.

또한 저자들은 AKS 기반 SVP 알고리즘이 gauge 함수에 대한 오라클을 호출하는 횟수에 대해 Ω(2^n) 하한을 증명한다. 이는 현재 알려진 AKS‑SVP 알고리즘이 근본적으로 지수적 쿼리 복잡도를 피할 수 없음을 의미한다.

마지막으로 파라미터화된 복잡도 클래스 W