두 반평면 교차의 높은 임계 차수

초록

본 논문은 {0,1}ⁿ 상에서 정의된 두 반평면의 교집합이 Θ(√n) 수준의 임계 차수(threshold degree)를 가진다는 것을 증명한다. 이를 위해 반평면과 다수결 함수에 대한 유리함수 근사 정도를 정확히 분석하고, 일반적인 합성 함수에 대한 직접곱 정리를 제시한다. 또한 두 다수결 함수의 교집합이 Ω(log n) 차수를 필요로 함을 보여 기존의 추측을 해결한다. 이 결과는 퍼셉트론 기반 PAC 학습 기법이 두 반평면 교집합을 효율적으로 학습하는 것을 불가능하게 만든다.

상세 분석

논문은 먼저 임계 차수(deg±)와 근사 차수(approximate degree)의 정의를 명확히 하고, 두 개념을 연결하는 새로운 직접곱 정리를 제시한다. 정리 1.1은 임계 차수가 합성 함수 F(f,…,f)에서 deg±(F)·deg±(f)보다 작을 수 없음을 보이며, 이는 기존 XOR‑lemma을 일반화한 형태이다. 정리 1.2는 동일한 구조를 ε‑근사 차수에 대해 확장한다. 이러한 일반적 결과를 바탕으로 저자는 합성 함수의 임계 차수를 분석하기 위해 ‘유리함수 근사’라는 도구를 도입한다. 구체적으로, 두 함수 f와 g의 교집합 f∧g를 유리함수 p₁/q₁와 p₂/q₂로 각각 ε‑근사시킨 뒤, (1.3)의 식을 이용해 전체 교집합을 차수 4d 이하의 다항식으로 표현할 수 있음을 보인다. 정리 1.4는 이 방법이 최적임을 증명하는데, 즉 임계 차수가 d인 교집합은 반드시 위와 같은 형태의 유리함수 근사를 통해 얻어야 함을 보여준다. 이는 기존에 ‘함수 간 복잡한 상호작용이 차수를 낮출 수 있다’는 직관을 부정한다.

다음 단계에서는 반평면과 다수결 함수에 대한 유리함수 근사 한계를 정확히 구한다. 정리 1.6은 ‘표준 반평면’ f(x)=sgn(∑{i,j}2^{i}x{ij}+1)의 ε‑근사에 필요한 최소 유리함수 차수가 Θ(n)임을 보이며, 이는 뉴먼(Newman)의 연속 근사 결과를 이산 상황에 맞게 확장한 것이다. 정리 1.7은 다수결 함수 MAJₙ에 대해 ε에 따라 두 구간으로 나뉘는 정확한 차수 식을 제시한다. 특히 ε가 상수일 때 차수가 Θ(log n)임을 보여, 다수결 함수 자체가 높은 임계 차수를 가짐을 확인한다.

이러한 근사 하한을 정리 1.8에 적용하면, 두 독립적인 반평면 f∧f의 임계 차수가 Θ(√n)임을 얻는다. 기존에 알려진 하한은 Ω(log n/ log log n) 수준에 불과했으나, 이번 결과는 √n이라는 최적 차수를 달성한다. 이는 Klivans(2002)가 제기한 “두 반평면 교집합의 임계 차수가 로그 수준 이상인가?”라는 질문에 대한 결정적 답변이며, 퍼셉트론 기반 PAC 학습이 이 문제에 적용될 수 없음을 즉시 보여준다. 마지막으로, 저자는 이 기술을 이용해 AND‑OR 트리와 같은 복합 구조의 근사 차수도 개선된 하한(Ω(n^{0.75}))을 얻는다. 전체적으로 논문은 유리함수 근사와 직접곱 정리를 결합해 다변량 부호표현의 복잡성을 정밀히 측정하는 새로운 프레임워크를 제공한다.