대규모 비순환 유향 그래프의 균일 무작위 생성

초록

본 논문은 베이지안 네트워크와 유전자 조절망 역설계에 필수적인 DAG(Directed Acyclic Graph)를 균일하게 샘플링하는 새로운 방법을 제시한다. 기존 마코프 체인 기반 방법은 수렴 속도가 느리고 정확한 균일성을 보장하기 어렵지만, 저자는 재귀적 열거(recursive enumeration)를 활용해 정확하고 빠른 균일 샘플링 알고리즘을 설계한다. 또한, 열거 기반 샘플링을 확장한 하이브리드 마코프 체인을 도입해 제한 조건이 있는 DAG에도 효율적으로 적용할 수 있음을 보인다. 이론적 복잡도 분석과 실험을 통해 제안 방법이 기존 기법보다 월등히 빠르고 정확함을 입증한다.

상세 분석

논문은 먼저 DAG의 전체 공간을 정확히 셈하는 재귀적 열거 공식을 도출한다. n개의 정점을 갖는 DAG의 수는 순열에 기반한 상향식(dynamic) 방식으로 계산되며, 이는 기존에 NP‑hard 로 알려진 직접 열거와는 달리 다항식 시간에 근사값을 제공한다. 저자는 이 열거식을 이용해 “역순 샘플링” 절차를 설계한다. 구체적으로, 전체 DAG 수를 사전 계산한 뒤, 각 단계에서 가능한 에지 추가 후보를 그때그때 남은 DAG 수에 비례하여 선택함으로써 균일성을 보장한다. 이 과정은 O(n²) 메모리와 O(n·m) 시간 복잡도(여기서 m은 에지 수) 내에 수행될 수 있다.

마코프 체인 기반 방법과 비교했을 때, 열거 기반 샘플링은 수렴 문제를 전혀 겪지 않는다. 마코프 체인은 상태 공간이 급격히 커짐에 따라 믹싱 타임이 급증하고, 특히 큰 n에 대해 균일 분포에 도달하기 위해 수천·수만 번의 전이가 필요했다. 반면 재귀 열거는 사전 계산된 정확한 카운트를 사용하므로, 한 번의 샘플링 절차만으로도 목표 분포를 즉시 얻는다.

또한 논문은 “하이브리드 마코프 체인”을 제안한다. 여기서는 열거식으로 얻은 사전 확률을 초기 분포로 삼고, 제한 조건(예: 최대 부모 수, 특정 서브그래프 금지 등)을 만족하도록 설계된 전이 연산을 적용한다. 전이 연산은 에지 삽입·삭제·역전 등을 포함하며, 각각의 제안 확률은 열거식에서 유도된 정확한 비율에 맞춰 조정된다. 이로써 체인은 제한된 DAG 집합 위에서 빠르게 믹싱하면서도 균일성을 유지한다.

복잡도 분석에서는 전체 DAG 수를 구하는 데 O(2^{n})에 가까운 급격한 성장에도 불구하고, 로그‑스케일 근사와 Stirling 공식 활용을 통해 “극한 분포”를 추정하고, 이를 바탕으로 매우 큰 n(수천)에서도 근사 균일 샘플링이 가능함을 보인다. 실험 결과는 n=1000 수준에서도 열거 기반 샘플링이 수초 내에 완료되는 반면, 기존 마코프 체인은 수시간 이상 걸리는 것을 확인한다.

결과적으로, 재귀적 열거와 하이브리드 마코프 체인의 결합은 DAG 샘플링 분야에서 정확도와 효율성 사이의 트레이드오프를 크게 완화시킨다. 이는 베이지안 네트워크 구조 학습, 유전자 조절망 역설계, 그리고 복잡 네트워크 이론 전반에 걸쳐 실용적인 도구로 활용될 수 있다.