가시 푸시다운 자동자를 위한 중첩 Hankel 행렬 특성화

초록

**
본 논문은 실수·복소수값 함수가 가시 푸시다운 자동자(Weighted Visibly Pushdown Automata, WVPA)로 인식될 수 있는지를, 잘 중첩된 단어에 대한 “중첩 Hankel 행렬”의 유한 랭크와 연결시킨다. 핵심 결과는 n 개의 상태를 가진 WVPA가 존재하면 해당 함수의 중첩 Hankel 행렬의 랭크가 n² 이하이며, 반대로 랭크 ≤ n²인 경우에는 n 상태 WVPA를 구성할 수 있다는 정리이다. 이 정리는 기존의 Carlyle‑Paz 정리를 단어가 아닌 중첩 구조에 확장한 것으로, SVD(특이값 분해)를 실수·복소수 체계에만 적용할 수 있다는 제한을 명시한다. 또한 학습 이론에서의 잠재적 활용과, 세미링 체계(특히 트로피컬 세미링)로의 확장 가능성도 논의한다.

**

상세 분석

**
논문은 먼저 가시 푸시다운 자동자(VPA)의 구조와 가중치가 부여된 전이 행렬을 정리하고, 이를 통해 “행동 함수” f_A 를 정의한다. 전통적인 Hankel 행렬 H_f는 모든 단어 u, v에 대해 f(uv) 값을 원소로 갖는 무한 행렬이지만, 중첩 단어에 직접 적용하면 Dyck 언어와 같이 비정규 언어의 특성 함수가 무한 랭크를 갖게 되어 WVPA와의 대응이 깨진다. 이를 해결하기 위해 저자들은 “중첩 Hankel 행렬”(nested Hankel matrix) nH_f 를 도입한다. nH_f 의 행·열 인덱스는 반드시 잘 맞춰진 괄호 구조를 가진 태그 단어(ˆΣ*) 로 제한하고, 행렬 원소는 f(uv) 로 정의한다. 이렇게 하면 Dyck 언어와 같이 VPA가 인식하는 언어도 유한 랭크를 가질 수 있다.

주요 정리(정리 2)는 두 방향을 보인다. (1) WVPA가 n 상태이면, 각 상태 쌍 (i, j) 에 대해 무한 행 벡터 v(i,j) 를 정의하고, 이 n² 개 벡터가 nH_f 의 모든 행을 선형 결합으로 생성함을 증명한다. 여기서 v(i,j)(w)=αᵀ·A(i,j)·M_A(w)·η 로 정의되며, A(i,j)는 기본 행렬 단위이다. 따라서 랭크는 ≤ n². (2) 반대 방향에서는 nH_f 의 랭크가 r ≤ n² 라고 가정하고, SVD 를 이용해 r개의 특이값과 대응하는 좌·우 특이벡터를 추출한다. 이들로부터 상태 집합을 구성하고, 전이 행렬을 특이벡터의 내적 형태로 정의하면, 정확히 f 를 구현하는 WVPA를 만들 수 있다. 이 과정에서 실수·복소수 체계가 필요함을 명시한다. SVD 가 세미링에서는 정의되지 않기 때문에, 정리의 적용 범위는 ℝ·ℂ 로 제한된다.

논문은 또한 학습 이론과의 연결을 탐색한다. 기존에 Hankel 행렬 기반 스펙트럴 학습이 가중 자동자에 적용된 사례(예: Hsu et al., Balle‑Mohri 등)를 언급하고, 중첩 Hankel 행렬을 이용하면 WVPA 학습 알고리즘을 설계할 수 있음을 제안한다. 특히, 호출·반환 심볼에 대응하는 전이 행렬을 어떻게 구성할지에 대한 구체적 레시피가 Lemma 11 에서 제시된다.

마지막으로 세미링(특히 트로피컬 세미링)으로의 확장 가능성을 논의한다. SVD 의 대체인 “대칭화된 최대 대수”를 이용하면, 트로피컬 세미링 위에서도 유한 랭크 특성을 정의할 수 있을 것으로 기대한다. 이는 기존 WVPA 논리적 특성화(Weighted MSO)와 병행해 새로운 표현력 분석에 기여할 수 있다.

**