무작위 워크 기반 최대 절단 근사 알고리즘

초록

이 논문은 무작위 워크를 이용해 MaxCut 문제를 0.5 이상의 상수 비율로 근사하는 최초의 순수 조합적 알고리즘을 제시한다. 1.5보다 큰 임의의 상수 b에 대해 O(n^b) 시간 안에 (0.5+δ)‑근사를 보장하며, δ는 b에 의존하는 양의 상수이다. 또한, 워크 혼합 속도가 느린 정점 주변에서 전도율 φ 이하의 작은 컷을 찾는 약한 지역 파티셔닝 절차도 함께 제공한다.

상세 분석

본 논문은 MaxCut 문제에 대한 전통적인 SDP 기반 접근법을 대체할 수 있는 순수 조합적 방법을 제시한다는 점에서 이론 컴퓨터 과학 및 그래프 알고리즘 분야에 큰 의미를 가진다. 핵심 아이디어는 “무작위 워크 기반 파티셔닝”이다. 저자들은 임의의 시작 정점 i에서 길이 ℓ=O(log n)의 무작위 워크를 수행하고, 워크가 전도율 φ에 비례한 혼합 속도를 보이지 않을 경우, 해당 정점 주변에 전도율 ≤ φ인 작은 컷을 효율적으로 찾아낸다. 이 절차는 기존의 “스펙트럴 파티셔닝”이나 “전역적인 라플라시안 기반” 방법과 달리, 전역적인 행렬 연산 없이 로컬 탐색만으로도 유용한 컷을 도출한다는 점에서 혁신적이다.

알고리즘의 메인 파이프라인은 다음과 같이 구성된다. (1) 그래프의 모든 정점에 대해 위의 로컬 파티셔닝 서브루틴을 실행해, 전도율이 낮은 후보 집합들을 수집한다. (2) 각 후보 집합에 대해 무작위 워크 결과를 집계해, 정점마다 “편향 점수”를 계산한다. 이 점수는 해당 정점이 어느 파티션에 속할 가능성을 나타내며, 기존의 “볼츠만 머신”이나 “플로우 기반” 근사와 유사한 역할을 한다. (3) 최종적으로 편향 점수의 부호에 따라 정점을 두 파티션으로 나누며, 이때 얻어지는 절단 가중치는 기대값 기준으로 0.5 + δ를 초과한다는 것이 증명된다.

복잡도 분석에서는 두 주요 파라미터가 등장한다. 첫 번째는 전체 알고리즘의 시간 복잡도를 결정하는 상수 b (> 1.5)이며, 이는 로컬 파티셔닝을 몇 번 반복할지와 워크 길이 ℓ에 따라 조절된다. 두 번째는 근사 비율을 결정하는 δ(b)이다. 저자들은 b가 커질수록 더 많은 워크와 탐색을 수행해 δ를 크게 만들 수 있음을 보였으며, 구체적인 함수 형태는 논문 부록에 상세히 제시된다.

또한, 로컬 파티셔닝 서브루틴 자체가 독립적인 연구 가치를 가진다. 이 절차는 “전도율 φ 이하의 컷을 찾는 데 필요한 작업량이 발견된 정점 수에 비례한다”는 서브선형 시간 보장을 제공한다. 이는 대규모 그래프에서 지역적인 커뮤니티 탐지나 그래프 클러스터링 등에 바로 적용 가능하다.

수학적 증명 부분에서는 마코프 체인의 혼합 시간, 전도율-혼합 시간 관계, 그리고 Cheeger 불평등의 변형을 활용한다. 특히, ℓ=O(log n) 길이의 워크가 충분히 긴 경우 전도율 φ와 혼합 시간 사이에 역함수 관계가 성립함을 보이며, 이를 통해 “혼합이 느린 경우”에 해당하는 정점 집합이 전도율이 낮은 컷을 포함한다는 논리를 전개한다. 이러한 논리는 기존의 “전역적인 스펙트럼 갭” 분석을 로컬 수준으로 옮긴 형태라 할 수 있다.

결과적으로, 이 논문은 MaxCut 문제에 대한 새로운 조합적 접근법을 제시함과 동시에, 로컬 그래프 파티셔닝 기술을 발전시켜 그래프 이론 전반에 걸친 응용 가능성을 열어준다.