MAGM 샘플링을 위한 크라톤 퀼팅 알고리즘

초록

본 논문은 Multiplicative Attribute Graph Model(MAGM)의 그래프 샘플링을 기존 KPGM의 구조를 활용해 서브-쿼드러틱 시간으로 수행하는 방법을 제시한다. 핵심 아이디어는 MAGM의 엣지 확률 행렬을 여러 개의 KPGM 확률 행렬로 분할(‘퀼팅’)하고, 각각을 빠르게 샘플링한 뒤 다시 결합하는 것이다. 제한된 기술적 가정 하에 알고리즘의 기대 시간 복잡도는 O((log₂ n)³ |E|)이며, 8백만 노드·200억 엣지 규모의 그래프를 6시간 이내에 생성함을 실험으로 입증한다.

상세 분석

이 논문은 그래프 생성 모델 중 MAGM이 KPGM보다 표현력이 뛰어나지만, 샘플링 비용이 O(n²) 수준에 머물러 실용성이 떨어진다는 문제점을 정확히 짚는다. 저자는 MAGM의 엣지 확률 행렬 Q가 KPGM의 확률 행렬 P와 동일한 구조를 갖는 경우가 많다는 사실을 수학적으로 증명한다. 구체적으로, 각 노드 i에 대해 속성 벡터 f(i)를 이진수 λ_i 로 표현하고, Q_{ij}=∏k θ_k^{f_k(i)f_k(j)} 를 P{λ_i,λ_j} 로 매핑함으로써, Q를 B²개의 블록으로 분할하면 각 블록은 P의 부분 행렬과 일치한다는 점을 이용한다. 여기서 B는 동일한 속성 조합을 갖는 노드 집합의 최대 크기로, 균형 잡힌 속성 분포(μ_k=0.5)에서는 B가 O(log n) 이하가 되는 확률적 경계가 Chernoff bound를 통해 제시된다.

알고리즘 1은 기존 KPGM 샘플링 방식을 그대로 사용해 각 블록을 독립적으로 샘플링한다. 알고리즘 2는 (k,l) 블록마다 KPGM 샘플링을 수행하고, 샘플된 엣지를 원래 노드 인덱스로 역매핑한 뒤, 모든 블록을 ‘퀼팅’하여 최종 MAGM 그래프를 만든다. 이 과정에서 중복 엣지를 제거하고, 필요에 따라 노드 수가 2^d와 일치하지 않을 때는 적절히 절삭하거나 패딩하는 절차가 포함된다.

시간 복잡도 분석에서는 KPGM 샘플링이 기대 O(log n·|E|)이므로, 전체 알고리즘은 O(B²·log n·|E|)가 된다. B가 O(log n)일 경우 최종 복잡도는 O((log n)³·|E|)이며, 이는 기존 O(n²) 대비 크게 개선된 것이다. 또한, 속성 분포가 불균형(μ≠0.5)일 때 B가 커질 수 있음을 인정하고, 그 경우 복잡도가 n·log μ·|E| 수준으로 악화될 수 있음을 명시한다.

실험 부분에서는 다양한 n(10⁴~10⁷)과 μ 값을 사용해 B의 실제 성장률을 측정했으며, 이론적 경계보다 훨씬 작게 관측되었다. 8백만 노드·200억 엣지 그래프를 6시간 내에 생성한 사례는 제안 알고리즘이 대규모 실무에 적용 가능함을 강력히 보여준다. 전체적으로, 이 논문은 MAGM 샘플링의 이론적 난제를 KPGM의 프랙탈 구조와 결합해 해결한 점에서 큰 학술적·실용적 기여를 한다.