결정 트리와 서브큐브 분할 복잡도 차이 밝혀

초록

본 논문은 서브큐브 분할 모델이 결정 트리보다 강력함을 보이는 최초의 예시를 제시한다. 4‑MAJ 함수를 반복 구성한 fₕ에 대해 D_sc(fₕ) ≤ 3ʰ 인 반면, 랜덤화된 결정 트리 복잡도 R(fₕ) = Ω(3·2ʰ) 로 크게 차이 나는 것을 증명한다. 또한 공개‑코인 파티션 바운드가 랜덤 서브큐브 복잡도 R_sc(f) 를 하한으로 제공함을 보여, 기존의 모든 하한 기법이 최적을 보장하지 못함을 확인한다.

상세 분석

논문은 먼저 서브큐브(partition) 모델을 정의한다. 입력 공간 {0,1}ⁿ을 ‘고정된 변수’가 d개 이하인 단색 서브큐브들의 집합으로 분할하고, 각 서브큐브에 함수값을 지정한다. 이때 가장 작은 d를 D_sc(f) 라고 하는데, 이는 결정 트리 복잡도 D(f) 의 하한이면서 동시에 상한도 된다(왜냐하면 깊이 d인 결정 트리는 d개의 변수만 고정한 서브큐브를 만든다). 저자는 이 두 측정값이 비동등함을 보이기 위해 특수한 함수 fₕ를 설계한다. fₕ는 4‑MAJ(4‑입력 다수결) 함수를 h번 반복 합성한 것으로, 입력 길이는 4ʰ이다. 4‑MAJ 자체는 D_sc(4‑MAJ) ≤ 3 (세 변수만 고정하면 결과가 결정됨) 이지만 D(4‑MAJ)=4 로 완전한 결정 트리 깊이가 필요하다. 합성 성질 D(f∘g)=D(f)·D(g) 와 D_sc(f∘g) ≤ D_sc(f)·D_sc(g) 를 이용하면 D_sc(fₕ) ≤ 3ʰ, D(fₕ)=4ʰ 를 바로 얻는다.

핵심은 랜덤화된 복잡도 R(fₕ) 를 하한하는 것이다. 저자는 JKS03, LNPV06에서 사용된 정보이론적 기법을 변형한다. 먼저 ‘어려운 분포’를 정의하고, 입력을 서브함수(즉, 하위 4‑MAJ) 로 재귀적으로 분해한다. 각 단계에서 기대 정보량 감소량을 분석해, 한 번의 쿼리가 평균적으로 감소시키는 엔트로피가 제한적임을 보인다. 이를 통해 R₀(fₕ) ≥ 3·2^{h‑1} , 즉 R(fₕ)=Ω(3·2ʰ) 를 얻는다. 이 하한은 기존에 알려진 3‑MAJ 기반 하한보다 강력하며, 비대칭 함수(첫 번째 변수가 특수한 역할을 함)에도 적용될 수 있음을 보여준다.

다음으로 논문은 공개‑코인 파티션 바운드 PPRT(f) 와 R_sc(f) 사이의 관계를 증명한다. PPRT는 Jain‑Lee‑Vishnoi 가 제시한 일반적인 하한 기법으로, 모든 기존 하한(블록 민감도, 근사 차수, 랜덤 인증 복잡도, 고전적 어드버서리 등)을 포함한다. 저자는 PPRT(f) ≤ R_sc(f) 를 보임으로써, PPRT가 R(f) 를 하한하는 기존 결과와 결합하면 PPRT가 R_sc(f) 를도 하한한다는 사실을 얻는다. 따라서 PPRT가 R(f) 와 차이가 나는 함수가 존재한다는 질문에 대한 부정적 답을 제공한다.

결과적으로, 이 논문은 (1) 서브큐브 분할 복잡도와 랜덤화된 결정 트리 복잡도가 근본적으로 다름을 최초로 증명하고, (2) 현재 가장 강력한 하한 기법인 공개‑코인 파티션 바운드도 서브큐브 모델에 의해 제한받는다는 사실을 밝혀, 기존 하한 기법들의 한계를 명확히 한다. 이는 쿼리 복잡도 이론과 통신 복잡도 이론 사이의 유사성을 더욱 깊게 이해하는 데 기여한다.