그래프의 워크 거리와 그 수학적 특성

초록

본 논문은 가중 그래프의 인접 행렬 A와 작은 양수 매개변수 t에 대해 (\sum_{k=0}^{\infty}(tA)^k) 로 정의되는 워크 거리 체계를 제시한다. 워크 거리는 그래프‑지오데식성을 가지며, t가 0에 접근하면 최단경 거리로, t가 상한값(스펙트럼 반경의 역수)으로 갈 때는 ‘긴 워크 거리’로 수렴한다. 또한 로그 포레스트 거리의 한 부분집합이며, 긴 워크 거리는 변환된 그래프에서의 저항 거리와 동일함을 증명한다.

상세 분석

논문은 먼저 워크 거리의 정의를 전개한다. 가중 인접 행렬 A에 대해 (\Phi(t)=\sum_{k=0}^{\infty}(tA)^k=(I-tA)^{-1}) 로 표현되는 무한 행렬 급수를 ‘워크 근접도’라 부른다. 여기서 t는 (\rho(A)^{-1}) (A의 스펙트럼 반경의 역수)보다 충분히 작아야 급수가 수렴한다. 워크 거리는 (\displaystyle d_t(i,j)=-\ln\frac{\Phi_{ij}(t)}{\sqrt{\Phi_{ii}(t)\Phi_{jj}(t)}}) 로 정의되며, 이는 로그 변환을 통해 비대칭적인 근접도를 대칭 거리로 변환한다는 점에서 기존의 저항 거리나 로그 포레스트 거리와 구조적으로 유사하다.

주요 정리 중 하나는 ‘그래프‑지오데식성’이다. 즉, 임의의 정점 i, j, k에 대해 (d_t(i,k)=d_t(i,j)+d_t(j,k)) 가 성립하는 경우가 존재함을 보이며, 이는 거리 함수가 실제 그래프상의 최단 경로와 일치한다는 강력한 의미를 가진다. 저자는 t→0 일 때 (\Phi(t))가 I에 수렴하고, 1차 항인 tA가 지배적이 되므로 (d_t)는 최단 경로 거리와 동일해짐을 증명한다. 반대로 t가 (\rho(A)^{-1})에 접근하면 (\Phi(t))는 (I‑tA)^{-1}의 극한 형태가 되며, 이때 정의되는 ‘긴 워크 거리’는 각 정점 쌍 사이의 모든 워크를 무게 있게 합산한 결과와 일치한다.

또한, 로그 포레스트 거리 (\delta_{\alpha}) (α는 트리 가중치 파라미터) 가 (\delta_{\alpha}=d_{t(\alpha)}) 형태로 표현될 수 있음을 보이며, 워크 거리 계열이 로그 포레스트 거리의 일반화임을 확인한다. 마지막으로, 긴 워크 거리를 변환 행렬 (B = D^{-1/2}AD^{-1/2}) (D는 정점 가중도 대각행렬) 로 정의된 그래프에 적용하면, 그 결과는 전통적인 저항 거리와 정확히 동일함을 수학적으로 증명한다. 이는 워크 거리 체계가 전기 회로 이론과도 깊은 연관성을 가짐을 시사한다.

이러한 결과는 거리 기반 그래프 분석, 클러스터링, 네트워크 전이 모델링 등에 새로운 파라미터화된 거리 척도를 제공한다. 특히 t를 조절함으로써 최단 경로와 저항 거리 사이의 연속적인 스펙트럼을 탐색할 수 있어, 데이터의 구조적 특성에 맞는 거리 선택이 가능해진다.