균형 절단 문제의 상수 인수 근사와 PIE 모델

초록

본 논문은 정점 집합을 두 개의 동등한 클러스터로 나눈 뒤, 클러스터 내부는 임의의 그래프이고 클러스터 간의 무작위 에지는 “정점 순열 불변”(PIE) 분포에서 샘플링되는 새로운 반무작위 모델을 제안한다. 저자는 이 모델에서 균형 절단 비용을 O(|E_random|)+n·polylog n 으로 찾는 다항시간 알고리즘을 설계하고, |E_random|이 Ω(n·polylog n) 이면 플랜트된 절단에 대한 상수 인수 근사를 보장한다.

상세 분석

이 논문은 기존의 플랜트된 절단 모델(예: Stochastic Block Model)과 반무작위 모델을 일반화한 PIE(Permutation‑Invariant Random Edges) 모델을 정의한다. PIE 모델의 핵심은 두 클러스터 L, R 사이의 무작위 에지가 “정점의 라벨을 무시하고 클러스터 소속만을 인식”하는 분포에서 독립적이거나 종속적으로 생성된다는 점이다. 즉, 임의의 순열 π∈Π_{LR}에 대해 E_random과 π(E_random)의 분포가 동일하므로, 알고리즘은 실제 라벨 정보를 전혀 알 수 없으며, 오직 그래프 구조만을 이용해 절단을 찾아야 한다.

저자는 먼저 SDP(반정밀도 프로그램) 기반의 균형 절단 완화식을 제시한다. 각 정점 u에 대해 벡터 φ(u)를 구하고, 목표는 ∑_{(u,v)∈E_F}‖φ(u)−φ(v)‖² 를 최소화하는 것이다. 이때 SDP 제약은 모든 벡터가 반지름 √2/2인 구 위에 놓이도록 강제한다. 논문은 “δ‑short”와 “δ‑long” 에지를 정의하고, 무작위 에지는 대부분 δ‑long일 가능성이 높다는 직관을 이용한다. 그러나 실제 SDP 해는 E_random에 의존하고, 벡터 분포가 균일하지 않으며, 단순히 긴 에지를 제거하는 반복만으로는 충분하지 않다.

이를 해결하기 위해 저자는 “Heavy Vertices Removal” 절차와 “Damage Control” 메커니즘을 도입한다. Heavy Vertices Removal은 반경 δ의 구 안에 다수의 정점이 몰려 있는 경우, 해당 구를 잘라내어 전체 절단 비용을 제한한다. 이 과정은 여러 단계에 걸쳐 점진적으로 적용되며, 매 단계마다 잘라낸 정점 수와 절단된 에지 수가 상수 배 이하로 유지된다. Damage Control 단계에서는 SDP 솔루션이 형성하는 “스켈레톤”(짧은 에지만으로 이루어진 부분 그래프)을 추적하고, 스켈레톤에 포함되지 않은 정점을 선택적으로 제거한다. 이렇게 하면 스켈레톤이 전체 그래프를 커버하지 못하더라도, 남은 부분에 대해 다시 SDP를 풀어 동일한 절차를 반복할 수 있다.

알고리즘의 핵심 정리는 다음과 같다. 임의의 순열 π에 의해 섞인 그래프 F=G⊞πH에 대해, |E_G|≫|E_H|인 경우, 위 절차를 O(log n)번 적용하면 최종 절단 (S,T)의 비용이 O(|E_H|+n·log³ n) 이하가 된다. 여기서 |E_H|=|E_random|이며, n·log³ n 항은 SDP 최적값에 의해 제한된다. 따라서 |E_random|이 n·polylog n보다 크면, 절단 비용은 플랜트된 절단 크기의 상수 배에 불과하므로 상수 인수 근사가 달성된다.

이 결과는 기존 최악‑케이스 O(√log n) 근사와 비교해, 실제 데이터에서 흔히 관찰되는 대규모 무작위 교차 에지가 존재할 때 훨씬 강력한 보장을 제공한다. 또한 알고리즘은 G, D, 플랜트된 절단 (L,R)을 전혀 알지 못한 채 동작하므로, 실세계 소셜 네트워크나 잡음이 섞인 클러스터링 문제 등에 직접 적용 가능하다.