희소 랜덤 그래프의 제한된 색상 수로 균등 샘플링 알고리즘

초록

본 논문은 평균 차수 d를 갖는 희소 랜덤 그래프 G(n,d/n)에서, d에만 의존하는 충분히 큰 상수 k(예: k≥d¹⁴)로 정의된 색상의 개수만을 사용해, 거의 균등하게 모든 적절한 k‑컬러링을 샘플링하는 다항시간 알고리즘을 제시한다. 마코프 체인 기반 방법이 아닌, 거리 log n 이하의 국소 구조가 거의 트리임을 이용한 공간적 혼합(spatial mixing) 성질을 증명하고, 이를 통해 각 정점의 주변 마진을 효율적으로 근사함으로써 순차적 색칠 과정을 설계한다. 기존에 색상 수가 Θ(log log n·log log log n)까지 필요했던 결과를 상수 색상만으로 개선하였다.

상세 분석

이 논문의 핵심은 두 가지 수학적 사실에 기반한다. 첫째, G(n,d/n)에서 d>1인 경우, w.h.p. 모든 정점 v에 대해 반경 ϵ·log n(ϵ≤(4·log(e²d/2))⁻¹) 이내의 유도 서브그래프는 사이클이 최대 하나만 포함한다는 구조적 정리(Lemma A)를 제시한다. 이는 해당 영역이 거의 트리와 유사하므로, 색상 제약이 국소적으로만 작용한다는 것을 의미한다. 둘째, 충분히 큰 색상 수 S(=k)가 주어지면, 거리 l=⌊ϵ·log n⌋ 이상 떨어진 정점 집합과의 색상 할당은 총변동거리(TV) ≤ n⁻¹ 수준으로 거의 독립적이라는 공간적 의존성(spatial dependency) 결과(Theorem A)를 증명한다. 이때 사용된 총변동거리 정의는 Gibbs 측정 μ와 조건부 측정 μ(·|boundary) 사이의 차이를 정량화한다.

알고리즘은 임의 순열(π)에 따라 정점들을 차례로 색칠한다. i번째 정점 v_i를 색칠하기 전, 이미 색칠된 집합 A_i={π(1),…,π(i‑1)}의 색 할당 C(A_i)와 v_i 사이의 거리 ≥⌊ϵ·log n⌋인 주변 구조만을 탐색한다. 위의 공간적 혼합 성질에 의해, v_i의 색상 마진 μ(X_{v_i}=s | C(A_i))는 해당 지역 서브그래프에서 정확히 계산된 값과 TV 거리 ≤ n⁻¹ 정도 차이만을 가진다. 따라서 근사값을 이용해 색을 샘플링해도 전체 색칠 결과는 원래 Gibbs 측정과 총변동거리 O(n·n⁻¹)=O(1) 수준으로 가깝다.

복잡도 측면에서, 각 정점마다 O(poly(log n)) 크기의 트리형 서브그래프를 탐색하고, 색상 후보 S가 상수이므로 마진 계산은 O(1) 시간에 가능하다. 전체 알고리즘은 O(n·poly(log n)) 시간, 즉 다항시간을 보장한다.

이 접근법은 기존 MCMC 기반 방법과 근본적으로 다르다. MCMC는 전체 상태공간을 탐색하면서 믹싱 타임을 분석했지만, 여기서는 지역적 독립성을 직접 이용해 한 번의 순차적 색칠로 목표 분포에 근접한다. 따라서 믹싱 시간에 대한 복잡한 확률적 분석이 필요 없으며, 구현도 상대적으로 간단하다.

한계점으로는 d가 매우 작거나, 색상 수 k가 d¹⁴보다 작을 경우 공간적 혼합이 충분히 강하지 않아 증명이 깨진다. 또한, “거의 균등”이라는 정의가 총변동거리 기준이므로, 정확히 균등한 샘플을 요구하는 경우 추가적인 후처리나 보정이 필요할 수 있다. 그럼에도 불구하고, 상수 색상만으로도 고확률 하에 균등에 근접한 샘플을 얻을 수 있다는 점은 이론적·실용적 의미가 크다.