임의 차수열을 갖는 단순 그래프의 효율적이고 정확한 샘플링

초록

본 논문은 주어진 차수열을 만족하는 모든 단순 그래프를 균일하게 샘플링하기 위한 다항시간 알고리즘을 제안한다. 기존의 링크 교환 마코프 체인과 구성 모델의 한계를 극복하고, 샘플마다 가중치를 부여해 원하는 분포로 관측값을 추정할 수 있다. 큰 규모와 다수의 실현을 갖는 차수열에서는 샘플 가중치가 로그정규분포를 따른다는 이론적 근거도 제시한다.

상세 분석

이 연구는 그래프 이론과 확률론을 결합해, 임의의 정수 차수열이 그래프 실현성을 만족하는 경우에 대해 완전하고 무편향한 샘플링 방법을 제공한다. 핵심 아이디어는 차수열을 순차적으로 처리하면서 가능한 연결을 미리 계산하고, 각 단계에서 선택 가능한 에지 집합을 가중치 기반으로 확률적으로 선택하는 것이다. 이때 사용되는 가중치는 현재까지 구성된 부분 그래프가 전체 실현 공간에서 차지하는 비율을 정확히 반영하도록 설계되었으며, 따라서 최종적으로 얻어지는 전체 그래프는 각 실현에 대해 동일한 확률을 갖는다.

알고리즘의 시간 복잡도는 차수열의 최대 차수와 정점 수 N에 대해 O(N·Δ²) 정도로, 실제 구현에서는 Δ가 크게 제한되지 않는 한 다항시간 내에 샘플을 생성한다. 중요한 점은 전통적인 구성 모델이 스텁을 무작위 매칭하면서 발생하는 재jection(불가능한 에지 조합) 문제를 완전히 회피한다는 것이다. 또한, 마코프 체인 기반의 링크 교환 방법이 요구하는 믹싱 타임을 추정하기 어려운 반면, 제안된 방법은 한 번의 실행으로 독립적인 샘플을 보장한다.

가중치의 통계적 특성에 대한 분석에서는 대규모 N과 실현 수가 풍부한 차수열에 대해 중앙극한정리(CLT)를 적용, 로그 가중치가 정규분포를 따르게 됨을 보였다. 이는 샘플링 과정에서 발생하는 작은 확률 변동이 곱셈 형태로 누적되어 로그 스케일에서는 합으로 전환되기 때문이다. 실험적으로는 파워‑러프와 이항 분포에서 추출한 차수열에 대해 로그정규 적합도를 확인했으며, 이는 가중치 보정 없이도 거의 균일한 샘플링이 가능함을 의미한다.

또한, 알고리즘은 샘플마다 가중치를 반환하므로, 사용자는 특정 목적 함수(예: 클러스터링 계수, 평균 경로 길이 등)를 계산할 때 가중치를 이용해 원하는 확률분포(예: 베이즈 사전)로 평균을 추정할 수 있다. 이는 네트워크 모델링에서 가설 검정이나 민감도 분석을 수행할 때 큰 장점을 제공한다.

마지막으로, 구현상의 세부 사항으로는 (1) 차수열 정렬을 통한 효율적인 후보 에지 검색, (2) 이진 트리를 이용한 가중치 누적 합 계산, (3) 메모리 사용을 최소화하기 위한 인접 리스트 기반 저장 방식을 제시한다. 이러한 최적화는 수십만 정점 규모의 실험에서도 메모리와 시간 모두 실용적인 수준을 유지하게 한다.