최소 가중치 완전 매칭을 위한 블라썸 BP 알고리즘

논문은 그래프 모델(GM)에서 최대‑곱 Belief Propagation(BP)이 MAP 추정에 널리 쓰이지만, LP 완화가 강하게 정밀(tight)할 때만 정확성을 보장한다는 기존 한계를 지적한다. 특히 최소 가중치 완전 매칭 문제는 일반 그래프에서 LP 완화가 integrality gap을 가질 수 있어, 기존 BP만으로는 최적 해를 찾을 수 없었다. 이를 해결하기 위해 저자들은 두 단계의 알고리즘, Blossom‑LP와 Blossom‑BP를 제안한다. 먼저 Blossom‑LP는 라미나 구조의 블라썸 집합 L과 정점·블라썸에 대한 듀얼 변수 y_v, y_S 를 유지한다. 초기에는 L이 비어 있고 모든 y는 0이다. 매 반복마다 현재 L에 포함된 외부 블라썸을 하나씩 수축해 축소 그래프 G†를 만든다. 이때 각 간선의 가중치는 원래 가중치에서 해당 정점·블라썸에 연결된 y 값을 차감한 값으로 재정의된다. 그런 다음 G†에 대해 제약식 (8)의 LP를 풀어 x 를 얻는다. x가 정수이면 알고리즘은 종료하고, 그렇지 않으면 두 가지 경우 중 하나가 발생한다. 첫째, 어떤 블라썸 S에 대해 수축된 정점 v(S) 주변의 x 합이 1을 초과하면 해당 블라썸을 팽창시켜 L에서 제거하고 y 값을 0 으로 초기화한다. 둘째, G†에 ½ 값을 갖는 에지들만으로 이루어진 홀수 사이클 C가 발견되면, 그 사이클의 정점 집합을 새로운 블라썸으로 추가하고 y 값을 해당 사이클의 가중치와 거리 정보를 이용해 ½ 로 설정한다. 이렇게 블라썸을 추가·제거하면서 라미나 구조를 유지한다. 최종적으로 모든 x 가 0 혹은 1이 되면, 원래 그래프 G에서 해당 에지를 매칭으로 복원하고, 남은 블라썸을 차례로 팽창시켜 최종 완전 매칭 M* 를 구성한다. 저자들은 이 과정이 O(|V|²) 번의 LP 해결로 수렴함을 정리 2 로 증명한다. 다음으로 Blossom‑BP는 위의 LP 단계들을 최대‑곱 BP를 이용해 구현한다. 정리 1의 조건에 따라, 라미나 구조와 반정수 해 특성을 만족하는 경우 BP는 LP(8)의 최적 해와 동일한 값을 수렴한다. 정리 3은 LP(8)이 항상 반정수 해를 갖고, 그 반정수 에지들이 서로 겹치지 않는 홀수 사이클을 형성한다는 것을 보인다. 이를 기반으로 BP 메시지를 그래프에 전파하면, 각 반복에서 0, ½, 1 값만을 갖는 해를 얻을 수 있다. 반정수 에지가 나타나면 해당 사이클을 블라썸으로 추가하고, 제약 초과가 발생하면 블라썸을 팽창시킨다. 따라서 Blossom‑BP는 Blossom‑LP와 동일한 흐름을 유지하면서, 실제 구현에서는 LP 솔버 대신 BP 메시지 전달만으로 알고리즘을 수행한다. 이는 병렬화와 분산 환경에서의 효율성을 크게 향상시킨다. 복잡도 분석에서는 각 BP 실행이 현재 그래프의 간선 수에 비례하는 O(m) 시간이며, 블라썸의 수가 최대 O(n) 이므로 전체 실행 횟수는 O(n²) 로 제한된다. 이는 전통적인 Edmonds 블라썸 알고리즘이 사용하는 복잡한 우선순위 큐와 트리 구조를 필요로 하지 않으며, 구현이 간단하고 병렬화가 용이한 장점을 제공한다. 또한, 이 연구는 BP와 LP 사이의 깊은 연결 고리를 밝히며, integrality gap을 단계적으로 해소하는 새로운 패러다임을 제시한다. 향후 연구에서는 다른 정수 계획 문제에 대한 블라썸‑형식의 BP 확장, 그리고 실시간 대규모 그래프에 대한 실험적 평가가 기대된다.