대규모 뇌 그래프 매칭을 위한 빠른 근사 이차 프로그래밍

본 논문은 그래프 매칭을 이차 할당 문제(QAP)로 모델링하고, 대규모 그래프, 특히 뇌 연결망(Connectome) 분석에 적합한 빠른 근사 알고리즘을 제안한다. 서론에서는 QAP가 운영 연구, 컴퓨터 비전, 신경과학 등 다양한 분야에서 핵심적인 역할을 하며, 특히 그래프 매칭이 빅데이터 시대에 중요해졌음을 강조한다. 기존의 정확 알고리즘은 NP‑hard 특성 때문에 실용성이 떨어지고, 효율성을 위해서는 정확도와 속도 사이의 트레이드오프가 필수적이다. 2장에서는 QAP와 그래프 매칭 문제를 수학적으로 정의한다. QAP는 두 실수 행렬 A, B에 대해 순열 행렬 P를 찾아 trace(APBᵀPᵀ)를 최소화하는 문제이며, 그래프 매칭은 동일한 형태를 갖는다. 순열 행렬 집합 Π를 이중 확률 행렬 다면체 D(=Birkhoff 다면체)로 완화하면 연속 최적화 문제 rQAP가 된다. rQAP는 목적 함수가 비정칙이므로 볼록 최적화 기법을 바로 적용하기 어렵지만, 최근 연구에 따르면 비볼록 완화가 실제 최적 해에 더 가깝다. 3장에서는 제안 알고리즘 Fast Approximate QAP(FAQ)의 구체적인 절차를 제시한다. 초기값은 모든 원소가 1/n인 평탄 행렬 J를 사용하거나, Sinkhorn 균형을 통해 무작위 이중 확률 행렬 K를 생성해 J와 평균을 취한다. 이후 프랭크‑워플(FW) 알고리즘을 적용한다. 각 반복에서 (1) 현재 P에 대한 그래디언트 ∇f(P)=−APBᵀ−AᵀPB를 계산하고, (2) D 위에서 그래디언트와 내적을 최소화하는 Q를 찾는다. 이 서브문제는 라인어 어사인먼트 문제(LAP)이며, 헝가리안 알고리즘을 이용해 O(n³) 시간에 해결한다. (3) Q와 현재 P 사이의 선형 결합 파라미터 α를 정확히 구해, (4) P←P+αQ 로 업데이트한다. 수렴 기준은 그래디언트 노름이나 P 변화량이 사전 정의된 ε 이하가 되면 종료한다. 마지막 단계에서는 최종 연속 해 P_final을 순열 행렬 Π로 투사한다. 이 투사 역시 LAP 형태이므로 헝가리안 알고리즘으로 수행한다. 4장에서는 알고리즘의 복잡도와 실험 결과를 제시한다. FW 반복 횟수를 상수로 가정하면 전체 복잡도는 O(n³)이며, 실험적으로는 상수 계수가 10⁻⁹ 수준으로 매우 작아 실제 실행 시간도 선형에 가까운 성장률을 보인다. QAPLIB에 포함된 137개의 벤치마크 중 10~256 정점 크기의 문제들을 대상으로, 기존 최첨단 알고리즘(PATH, QCV, RANK, Umeyama)과 비교하였다. 상대 목표 함수값(log₁₀( f_FAQ / f_X ))을 기준으로 FAQ는 약 94%의 인스턴스에서 다른 알고리즘보다 우수했으며, 특히 10~200 정점 구간에서 거의 한 차례 정도의 차이만으로도 1~2 자릿수 개선을 보였다. 특히 C. elegans(302 정점) 연결체 매칭 실험에서는 FAQ가 최적 해를 가장 짧은 시간에 찾아냈으며, 다른 알고리즘은 최적 해에 도달하지 못하거나 훨씬 오래 걸렸다. 이는 뇌 그래프와 같이 정점 수가 수백에서 수천, 수만에 이르는 경우에도 FAQ가 실용적인 성능을 제공한다는 강력한 증거이다. 마지막으로 논문은 FAQ가 비볼록 완화와 FW 기반 최적화의 결합을 통해 정확도와 효율성 모두에서 기존 방법을 뛰어넘는 성과를 보였으며, 향후 더 큰 규모의 뇌 연결망, 소셜 네트워크, 생물학적 네트워크 등에 적용 가능함을 제시한다. 또한 초기값 다양화, 다중 시작 전략, GPU 가속 등 추가적인 개선 여지도 논의한다.