근사 정수 계획을 위한 1엡실론 제곱 n 시간 시빙 알고리즘

본 논문은 고정 차원 n 에서 정수 계획(Integer Programming, IP) 문제를 근사적으로 해결하는 새로운 무작위 알고리즘을 제시한다. 전통적인 IP 알고리즘은 Lenstra‑Kannan 계열로, 차원 n 에 대해 2^{O(n)} 정도의 시간 복잡도를 갖는다. 그러나 저자들은 “근사”라는 허용 오차 ε(0<ε≤½)를 도입함으로써, 입력 다각형 P 또는 일반 볼록체 K 에 대해 다음과 같은 두 가지 결정을 O((1/ε²)ⁿ) 시간에 수행한다. (1) P가 정수점을 포함하는지, (2) P의 중심을 기준으로 (1+ε) 배 확대된 P가 정수점이 전혀 없는지를 판별한다. 핵심 아이디어는 IP를 “근사 최근접 벡터 문제(Approximate Closest Vector Problem, CVP)”로 환원하고, 이를 다시 “부분공간 회피 문제(Subspace Avoiding Problem, SAP)”로 변환한 뒤, AKS(Ajtai‑Kumar‑Sivakumar) 시빙 기법을 “거의 대칭(near‑symmetric)”인 반노름(semi‑norm) 환경에 일반화하는 것이다. 반노름 k·k_C는 전통적인 노름과 달리 대칭성(k(x)=k(−x))을 요구하지 않으며, 대신 볼륨 비율 γ (0<γ≤1)이라는 약한 대칭성을 만족한다. 즉, C∩(−C)의 부피가 전체 부피의 γⁿ 배 이상이면 γ‑대칭이라고 정의한다. 논문은 다음과 같은 주요 기법을 개발한다. 1. **볼록체 중심 근사**: K의 바이시센터 b(K)를 구하기 위해 K에서 O(n²/ε²)개의 균등 샘플을 추출하고 평균을 취한다. 레마 2.3에 의해 이 평균 b 는 실제 중심과 k·k_K 거리 기준으로 ε/3 이내에 위치한다. 2. **반노름 CVP 해결**: 목표점 b 에 대해 반노름 k·k_{K−b} 아래에서 (1+ε) 근사 최근접 격자점 y 를 찾는다. 이를 위해 AKS 시빙을 γ‑대칭(γ≈1/3)인 반노름에 적용한다. 시빙 단계는 (i) 무작위 격자 벡터 샘플링, (ii) 정규화, (iii) 쌍합 및 필터링을 반복해 후보 집합을 점차 축소한다. 최종적으로 O((1/ε²)ⁿ)개의 후보 중 하나가 목표 거리의 (1+ε) 배 이내에 있음을 보인다(정리 1.3). 3. **정수점 판정**: 얻어진 y 가 k·k_{K−b} 거리 기준으로 1+3ε/4 이하이면, 레마 2.4와 대칭성 보정을 이용해 y가 (1+ε) K − ε b(K) 안에 있음을 확인한다. 이 경우 y를 정수점으로 반환한다. 반대로 K∩L이 비어 있으면 어떠한 y도 조건을 만족하지 못하므로 “EMPTY”를 반환한다. 정확성 증명은 두 부분으로 구성된다. 첫째, 중심 근사 단계가 충분히 정확하다는 확률적 보장을 제공한다(오류 확률 ≤2^{-n}). 둘째, 시빙 단계에서 얻은 y가 실제 최적 거리 d_C(L,b)와 (1+ε) 배 이내에 있음을 보이며, 이는 반노름의 γ‑대칭성에 의해 보장된다. 시간 복잡도는 각 단계의 오라클 호출 횟수와 산술 연산을 합산해 O((1/ε²)ⁿ)이다. 특히, 반노름이 ℓ_p 형태일 때 기존 결과와 일치하지만, 비대칭적인 반노름까지 포괄한다는 점에서 일반화가 크게 확대된다. 논문은 또한 근사 정수 최적화(Approximate Integer Optimization) 문제에도 동일한 프레임워크를 적용한다. 목표 벡터 v와 허용 오차 δ를 입력으로, (1+ε) K − ε b(K) 내부에서 목표값이 최적값보다 δ 이하인 정수점을 찾는다. 이를 위해 근사 IP 알고리즘을 여러 번 호출하고 이진 탐색을 수행해 최적값을 근사한다. 최종 알고리즘은 O((1/ε²)ⁿ·polylog(1/δ,‖v‖₂)) 시간에 동작한다. 비교 대상인 기존 연구들을 살펴보면, AKS 시빙은 ℓ_2 노름에서 2^{O(n)} 시간, ℓ_p 노름에서는 2^{O(n)}·(1/ε)² 시간, 그리고 완전 대칭 노름에서는 2^{O(n)} 시간에 SVP/CVP를 해결한다. 본 논문의 기여는 (i) 반노름(대칭성 결여)에서도 시빙이 가능하도록 일반화, (ii) 근사 IP를 직접 해결함으로써 차원‑지수적인 복잡도를 O((1/ε²)ⁿ)으로 낮춤, (iii) 볼록체와 격자 전반에 적용 가능한 통합 프레임워크 제공이다. 마지막으로, 논문은 “정수점이 경계에 매우 가깝다”는 상황이 정확 IP를 어려워하게 만든다는 직관을 이론적으로 뒷받침한다. 만약 모든 정수점이 바이시센터 주변에 존재한다면, 근사 확대된 볼록체는 여전히 정수점을 포함하므로 알고리즘이 빠르게 해결한다. 반대로 정수점이 경계에 몰려 있으면 근사 확대가 충분히 큰 ε를 필요로 하며, 이는 기존 정확 알고리즘과 비슷한 복잡도를 초래한다. 결론적으로, 이 연구는 AKS 시빙 기법을 반노름까지 확장함으로써 고차원 정수 계획 문제에 새로운 근사 해법을 제공하고, 기존 복잡도 장벽을 크게 낮추는 중요한 진전을 이룬다. 향후 연구에서는 ε‑의존성을 감소시키는 개선, 비무작위 버전의 시빙, 그리고 실제 최적화 문제에의 적용 가능성을 탐구할 여지가 있다.