그래프 샘플링 연구 동향과 분류

본 논문은 그래프 샘플링에 관한 포괄적인 서베이와 체계적인 분류 체계를 제시한다. 서론에서는 사회학적 숨은 집단 조사, 인터넷 AS 그래프 축소, 그래프 스파싱 등 다양한 응용 배경을 제시하며, 샘플링이 ‘데이터 양 감소’와 ‘특성 보존’이라는 두 축을 동시에 만족해야 함을 강조한다. 특히 전체 그래프를 알 수 없는 상황에서 탐색 기반 샘플링이 유일한 접근법이 될 수 있음을 언급한다. 2장에서는 기본 기호와 정의를 정리한다. 무방향·무가중치 그래프 G=(V,E)를 기본 모델로 삼고, 정점 집합 V, 간선 집합 E, 차수 d(v) 등 표준 용어를 정의한다. 샘플링된 그래프 G_s=(V_s,E_s)의 유효성 조건(V_s⊆V, E_s⊆E, E_s⊆V_s×V_s)과 예산 B, 단위 비용 b 등을 소개한다. 또한 그래프 특성을 함수 f(G)로 표현하고, 확률적 관점에서 특성 보존과 추정 문제를 공식화한다. 3장에서는 샘플링을 ‘목표(objective)’, ‘그래프 유형’, ‘접근법(approach)’ 세 축으로 분류한다. 목표는 대표성 유지, 특정 통계량 추정, 알고리즘 가속 등으로 나뉘며, 각 목표 간의 논리적 관계를 정리한다(예: 특성 보존 ⇒ 추정 가능). 그래프 유형은 일반 그래프, 스케일프리, 소규모·대규모 등으로 구분하고, 각 유형에 적합한 샘플링 전략을 제시한다. 접근법은 정점 샘플링, 간선 샘플링, 탐색 기반 샘플링(TBS)으로 나뉘며, 이들 사이의 포함 관계와 변형 가능성을 도식화한다. 4장에서는 탐색 기반 샘플링을 상세히 다룬다. BFS/DFS 기반의 B‑FS, D‑FS, R‑FS부터 Snow‑Ball Sampling, Random Walk(RW), Metropolis‑Hastings Random Walk(MHRW), Escape Random Walk(RWE), 다중 독립 랜덤 워커(MIRW), 다차원 랜덤 워크(MDRW), Forest Fire Sampling(FFS), Respondent Driven Sampling(RDS)까지 다양한 변형을 소개한다. 각 방법의 샘플링 확률, 편향 제어 메커니즘, 수렴 조건을 수식적으로 제시하고, 구현 시 고려해야 할 파라미터(예: 재시작 확률, 샘플링 비율)와 복잡도를 비교한다. 특히 MHRW는 목표 분포를 균등하게 만들기 위해 수용‑거부 메커니즘을 도입하고, RDS는 응답자 기반 네트워크 탐색에서 편향 보정을 위한 가중치를 적용한다는 점을 강조한다. 5장에서는 그래프 특성을 크게 ‘정점·간선 라벨 분포’, ‘고전적 특성(정점 수, 평균 차수, 연결성 등)’, ‘고급 특성(컷, 정규화 컷, 모듈러리티, 라플라시안 스펙트럼, 거리 지표 등)’으로 구분한다. 각 특성별로 어떤 샘플링이 보존을 보장하는지 표로 정리하고, 특히 ‘컷 보존’은 간선 샘플링 후 수축(contraction) 기법과 결합될 때 강력한 이론적 결과를 얻는다는 점을 강조한다. 또한, 거리 기반 지표(최단 경로 길이, 평균 거리)와 이차 형식(Quadratic Form) 보존을 위한 조건도 상세히 제시한다. 6장에서는 기존 연구에서 제시된 특성 보존·추정 결과를 정리한다. 네트워크 크기 추정(노드 수, 평균 차수, 밀도 등), 전체 그래프 관측(정점 샘플링, 이웃 포함 샘플링, 비균등 샘플링), 차수 분포 복원, 최소 컷 추정, 다양한 정규화 컷(NCut, RCut) 및 모듈러리티 추정, 응집도와 코히션 등 고급 지표에 대한 이론적 경계와 실험적 검증을 제시한다. 특히 간선 샘플링 + 수축, 정점 샘플링 + 수축, ESC(Edge Strength Contraction) 등 구체적인 알고리즘을 통해 어떻게 원 그래프의 구조적 특성을 근사할 수 있는지를 상세히 설명한다. 마지막으로 7장에서는 현재 연구의 한계—예를 들어, 샘플링 비용과 보존 정확도 사이의 트레이드오프에 대한 정량적 모델 부재, 다양한 그래프 유형(동적 그래프, 하이퍼그래프)에서의 적용 부족, 표준 벤치마크 부재 등을 지적한다. 향후 연구 방향으로는 (1) 샘플링 비용 최적화와 보존 정확도 사이의 이론적 경계 정립, (2) 동적·다중 레이어 그래프에 대한 탐색 기반 샘플링 확장, (3) 통합 평가 프레임워크와 공개 데이터셋 구축, (4) 머신러닝 기반 샘플링 전략 설계 등을 제안한다. 전체적으로 이 논문은 그래프 샘플링 분야의 이론적 토대를 정리하고, 실용적 구현과 평가까지 연결하는 포괄적 로드맵을 제공한다.