완화 기반 그래프 코어싱과 다중스케일 조직

**1. 서론 및 배경** 대규모 그래프 문제를 해결하기 위한 일반적인 전략은 다중레벨(멀티스케일) 알고리즘이다. 이 접근법은 원본 그래프를 점진적으로 더 작은 그래프로 ‘코어싱(coarsening)’하고, 가장 거친 레벨에서 직접 해를 구한 뒤, 점진적으로 세부 레벨로 해를 전파(uncoarsening)한다. 전통적인 AMG(Algebraic Multigrid)에서는 코어 정점을 선택하고, 정점 간 결합 강도(|aᵢⱼ| 등)를 기반으로 집계(aggregation)를 수행한다. 그러나 이러한 결합 강도는 대각 우세가 약하거나 비선형 구조를 가진 시스템에서는 부정확하거나 오히려 잘못된 코어 선택을 초래한다. **2. 문제 정의** 논문은 두 가지 대표적인 그래프 최적화 문제를 다룬다. - *선형 순열 문제* (minimum p‑sum, MₚSP): 그래프 G=(V,E)와 가중치 wᵢⱼ에 대해 σₚ(G,π)=∑ᵢⱼ wᵢⱼ|π(i)–π(j)|ᵖ 를 최소화한다. p=1이면 최소 선형 배열, p=2이면 최소 2‑sum 문제가 된다. - *그래프 분할 문제* (2‑partition): V를 두 부분 Π₁, Π₂ 로 나누어 ∑_{i∈Π₁, j∈Π₂} wᵢⱼ 를 최소화하면서 각 파티션의 크기가 균형을 이루도록 한다. 두 문제 모두 NP‑hard이며, 기존에는 스펙트럼 방법이나 휴리스틱을 사용했지만, 다중레벨 접근이 현재 가장 효과적인 방법으로 인정받고 있다. **3. 알제브라 거리와 결합도 정의** 알제브라 거리는 K개의 “테스트 벡터”(relaxed error vectors) x^{(k)} (k=1…K)를 이용한다. 각 벡터는 그래프 라플라시안 A에 대해 Ax=0을 r번 Jacobi 완화(ω=0)한 뒤 정규화한다. 정점 i와 j 사이의 거리 d_{ij}는 - 최대 노름: d_{ij}=max_{k}|x^{(k)}_i - x^{(k)}_j| - 혹은 L₂ 노름: d_{ij}=√(∑_{k}(x^{(k)}_i - x^{(k)}_j)²) 으로 정의한다. 알제브라 결합도는 그 역수 c_{ij}=1/d_{ij}. 이 정의는 **국소성**을 갖는다. 인접 정점 사이에서는 작은 d_{ij}가 관측되며, 멀리 떨어진 정점은 큰 d_{ij}를 갖는다. 따라서 코어싱 단계에서 “가까운” 정점만을 같은 코어에 묶을 수 있다. **4. 코어싱 알고리즘** 알고리즘 1은 전체 코어싱 절차를 요약한다. 1) 모든 엣지 ij에 대해 알제브라 거리 d_{ij}와 결합도 c_{ij}를 계산한다. 2) 시드 정점 집합 Q와 파라미터 ν를 이용해 코어 정점(시드)을 선택한다(기존 AMG 기준 사용). 3) 각 비시드 정점 i에 대해 가장 큰 결합도 c_{ij}를 갖는 시드 j와 연결하고, 가중치 행렬 P (보간 행렬)를 구성한다. 4) 코어 그래프의 엣지 가중치는 Pᵀ A P 형태로 재계산한다. 핵심 차별점은 단계 1에서 기존의 단순 가중치 wᵢⱼ 대신 알제브라 결합도 cᵢⱼ를 사용한다는 점이다. 이로써 예시 그림 3.1처럼 격자에 추가된 긴 엣지가 주변 정점들의 알제브라 거리로 인해 약화되어, 잘못된 코어 결합을 방지한다. **5. 실험 및 결과** 다양한 그래프(2‑D 격자, 무작위 그래프, 실세계 네트워크)에서 K=20, r=10~100의 파라미터를 사용해 실험하였다. 표 3.1은 알제브라 거리 d_{ij}와 인접 정점 간 최소 거리 d_i*의 비율을 로그 스케일로 보여준다. 결과는 w_{ij}=1인 경우에도 d_{ij}가 주변 정점보다 크게 나타나, i와 j가 같은 코어에 묶이지 않음을 확인한다. 선형 순열 실험에서는 알제브라 거리 기반 코어싱이 기존 AMG 기반 방법보다 평균 7% 낮은 σ₁ 값을 기록했으며, 2‑partition 실험에서는 컷 비용이 5~9% 감소했다. 또한, 전체 실행 시간은 O(|E|) 수준으로 선형성을 유지했다. **6. 알제브라 거리와 확산 거리, 스펙트럴 클러스터링의 관계** 섹션 5에서는 알제브라 거리를 확산 거리(diffusion distance)와 연결 지으며, 두 개념이 모두 랜덤 워크 기반의 정점 간 유사성을 측정한다는 점을 강조한다. 그러나 알제브라 거리는 다중레벨 과정에서 반복적으로 재계산되며, 스펙트럴 클러스터링에서 요구되는 전체 라플라시안 고유벡터 계산보다 훨씬 저렴하다. 따라서 대규모 그래프에서 스펙트럴 방법을 대체하거나 보완하는 실용적인 대안이 된다. **7. 결론** 알제브라 거리라는 새로운 근접성 측정은 그래프 코어싱 단계에서 지역 구조를 정밀히 포착하면서도 계산 비용을 최소화한다. 이를 기반으로 한 다중레벨 프레임워크는 선형 순열, 그래프 분할 등 다양한 조합 최적화 문제에서 기존 AMG 기반 방법보다 더 높은 품질의 해와 빠른 실행 시간을 제공한다. 또한, 확산 거리와의 연관성을 통해 스펙트럴 클러스터링을 대체할 수 있는 가능성을 제시한다. 향후 연구에서는 알제브라 거리의 파라미터 자동 튜닝, 비정형 그래프(예: 하이퍼그래프) 적용, 그리고 머신러닝 기반의 결합도 예측 모델과의 통합을 탐색할 예정이다.