모저‑타도스 알고리즘 로컬 레마의 확장: 약화된 조건에서도 효율적 해 찾기

이 논문은 최근 Bissacot, Fernández, Procacci, Scoppola가 제시한 Lovász 로컬 레마(Lovász Local Lemma, LLL)의 강화 버전을 알고리즘적 관점에서 재해석하고, Moser‑Tardos 알고리즘에 적용함으로써 기존 LLL 조건보다 약한 가정에서도 효율적인 해를 찾을 수 있음을 증명한다. 첫 번째 섹션에서는 전통적인 LLL와 그 비알고리즘적 증명, 그리고 Moser‑Tardos가 제시한 알고리즘적 로컬 레마를 소개한다. LLL는 사건들의 의존 그래프 \(G\) 와 파라미터 \(x_A\in(0,1)\) 가 존재해 \(P(A)\le x_A\prod_{B\sim A}(1-x_B)\) 이면 모든 사건을 동시에 피할 수 있음을 보인다. Moser‑Tardos는 이 조건 하에 ‘재샘플링 알고리즘’을 설계하고, 각 사건 \(A\) 가 평균 \(x_A/(1-x_A)\) 번만 재샘플링된다는 기대값을 증명한다. 두 번째 섹션에서는 Bissacot 등(2011)의 결과를 소개한다. 그들은 위 조건을 \(\mu_A\) 파라미터를 이용해 \(P(A)\le \mu_A\!\!\sum_{\substack{I\subseteq\overline{\Gamma}(A)\\ I\text{ 독립}}}\!\!\prod_{B\in I}\mu_B\) 와 같이 완화시켰다. 여기서 \(\overline{\Gamma}(A)\) 는 \(A\) 와 인접하지 않은 사건들의 집합이며, 합은 독립 집합 \(I\) 위에서 수행된다. 이 조건은 기존 LLL 조건보다 약하지만, 증명은 Shearer의 복잡한 특성화와 군집 전개(cluster expansion) 기법에 크게 의존한다. 본 논문의 핵심 기여는 이러한 약한 조건을 Moser‑Tardos 프레임워크에 그대로 옮기는 것이다. 이를 위해 저자는 ‘증인 트리(witness tree)’ 개념을 정교화한다. 기존 증인 트리는 부모와 자식이 겹치는 사건을 갖는 최소 조건만을 만족했지만, 여기서는 같은 부모의 모든 자식 사건이 서로 독립(즉, 의존 그래프에서 비인접)하도록 강제한다. 이를 ‘강하게 적절한 증인 트리(strongly proper witness tree)’라 명명하고, 이러한 트리만을 고려하면 (4)식의 약한 조건에서도 트리의 발생 확률을 충분히 억제할 수 있다. 증명에서는 새로운 브랜칭 프로세스를 정의한다. 각 사건 \(A\) 에 대해 \(x_A=\mu_A/(\mu_A+1)\) 를 설정하고, 자식 집합을 독립 집합으로 선택하도록 재시도 과정을 삽입한다. 이 과정은 독립 집합이 선택될 확률이 \(\prod_{B\in I}x_B\prod_{C\notin I}(1-x_C)\) 와 동일함을 보이며, 결국 트리 \(T\) 가 정확히 생성될 확률은 \