엔트로피 라운딩: 근사 알고리즘을 위한 새로운 정수화 기법

초록

이 논문은 행렬 A가 제한된 Δ‑근사 엔트로피를 가질 때, LP의 fractional 해 x를 정수 해 y로 변환하는 새로운 무작위 라운딩 절차를 제시한다. 엔트로피 방법을 기반으로 하여 A·χ의 값을 소수 비트로 압축하고, 이를 이용해 반‑컬러링을 반복적으로 생성함으로써 Ax와 Ay 사이의 오차를 O(log m·Δ) 이하로 제한한다. Bin Packing 계열 문제에 적용해 OPT + O(log² OPT) 근사와 AFPTAS를 얻는다.

상세 분석

본 논문은 기존의 LP 라운딩 기법—기본 해 기반 2‑근사, 반복 라운딩, 의존 라운딩 등—과는 근본적으로 다른 접근법을 제시한다. 핵심 아이디어는 ‘Δ‑근사 엔트로피’라는 새로운 행렬 특성을 정의하고, 이 특성이 만족될 경우 Beck의 엔트로피 방법을 활용해 반‑컬러링(값이 −1, 0, +1인 벡터) 을 존재시킨다는 점이다. 구체적으로, 임의의 부호 벡터 χ∈{±1}^m에 대해 A·χ의 각 행 i를 Δ_i 오차 범위 안에서 근사하는 함수 f_i(χ)를 찾고, (f_1,…,f_n)의 엔트로피가 m/5 이하이면, 색상 공간에 2^{m·(1−1/5)}개의 ‘유사’ 컬러링이 존재한다는 피오네홀 원리를 적용한다. 이때 두 컬러링 χ′,χ″가 충분히 차이가 나는 경우 χ = (χ′−χ″)/2 를 정의하면 반‑컬러링이 된다. 반‑컬러링은 적어도 절반 이상의 좌표가 비제로이며, 각 행에 대해 |A_i χ| ≤ Δ_i 를 만족한다.

이 반‑컬러링을 이용한 라운딩 절차는 다음과 같다. 현재 fractional 해 x의 이진 표현에서 가장 낮은 비트 K를 선택하고, 해당 비트가 1인 변수들의 인덱스 집합 J에 대해 서브행렬 A_J를 만든다. A_J가 Δ‑근사 엔트로피를 만족하면 위의 정리를 적용해 χ∈{0,±1}^J 를 얻는다. 이후 x ← x + 2^{−K}·χ 로 업데이트하면, χ_j = −1인 좌표는 해당 비트를 0으로 만들고, χ_j = +1인 좌표는 비트를 1로 올린다. 이 과정을 O(log m)번 반복하면 모든 비트가 소거되어 0/1 벡터 y가 얻어지고, 전체 오차는 ∑_{k=1}^{K} 2^{−k}·Δ·log m = O(log m·Δ) 로 제한된다.

논문은 이 일반적인 라운딩 정리를 Bin Packing, Bin Packing with Rejection, Train Delivery 등 여러 변형에 적용한다. 특히 Bin Packing의 경우, A를 누적 행렬로 정의하면 각 행 i에 대한 Δ_i = Θ(1/s_i) (여기서 s_i는 i번째 아이템 크기) 로 설정할 수 있다. 이때 엔트로피 분석을 통해 H_Δ(A) ≤ m/5 를 보이고, 위 절차를 적용하면 각 구간에 대한 누적 오차가 O(log n·1/s_i) 가 된다. 이를 정수화된 해에 추가적인 O(log² OPT)개의 빈 bin을 삽입함으로써 OPT + O(log² OPT) 근사를 얻는다.

또한, 논문은 Bansal의 SDP 기반 반‑컬러링 알고리즘을 활용해 존재론적 증명을 구성적 알고리즘으로 전환한다. SDP는 각 변수에 대한 기대값과 분산을 제어하고, 마르팅게일 기반 라운딩을 수행해 기대 오차를 유지한다. 이 과정은 다항 시간에 구현 가능하며, 실제로는 반‑컬러링을 찾는 서브루틴으로 사용된다.

핵심 기여는 (1) Δ‑근사 엔트로피라는 새로운 행렬 복합성을 도입하고, (2) 이를 통해 Beck의 엔트로피 방법을 근사 알고리즘에 적용한 최초 사례를 제공하며, (3) 기존 LP 라운딩보다 일반적으로 더 강력한 근사 비율을 달성한다는 점이다. 특히, Train Delivery 문제에 대해 최초의 AFPTAS를 제시함으로써, 기존 APTAS(비정밀 근사)보다 훨씬 높은 효율성을 보인다.