동형동치 그래프 분류와 기본 그래프 복잡도 연구

초록

본 논문은 그래프를 계약 가능한 변환을 통해 서로 변환할 수 있을 때 동형동치라고 정의하고, 이러한 동형동치 관계를 기반으로 그래프를 분류한다. 동형동치 클래스마다 최소한의 정점·간선 수를 갖는 ‘기본 그래프’를 정의하고, 그 복잡도 N을 도입하여 N < 7인 경우의 기본 그래프들을 도표로 제시한다. 실험을 통해 동형동치 그래프들이 동일한 위상적 특성을 공유함을 확인하고, 이 방법이 기존 데이터 마이닝 기반 그래프 분류에 비해 구조적 의미를 명확히 드러낸다는 장점을 강조한다.

상세 분석

논문은 먼저 그래프 동형동치의 정의를 명확히 한다. 두 그래프 G와 H가 계약가능한 변환, 즉 정점과 간선을 연속적으로 수축하거나 삭제하면서 위상적 특성을 보존하는 일련의 연산을 통해 서로 변환될 수 있으면 G ≃ H라 정의한다. 이러한 변환은 위상수학에서의 동형동치와 직접적인 대응 관계에 놓이며, 그래프 이론에서 흔히 다루는 동형(isomorphism)과는 구별된다. 동형동치는 그래프의 구체적 연결 구조보다는 ‘구멍’(cycle)이나 ‘연결성’ 같은 전반적인 위상 정보를 보존한다는 점에서 데이터 마이닝에서의 패턴 인식에 유리하다.

다음으로 저자는 ‘기본 그래프(basic graph)’ 개념을 도입한다. 동일 동형동치 클래스에 속하는 모든 그래프는 일련의 계약 변환을 통해 하나의 최소 형태, 즉 정점·간선 수가 최소인 그래프로 수렴한다. 이 최소 형태를 기본 그래프라 부으며, 이는 해당 클래스의 위상적 ‘대표’ 역할을 한다. 기본 그래프의 복잡도 N은 정점 수와 간선 수의 합으로 정의되며, N이 작을수록 구조가 단순하고 해석이 용이하다. 논문에서는 N < 7인 경우에 대해 모든 가능한 기본 그래프를 열거하고, 각각의 위상적 특성(예: 연결성, 사이클 차원, 베타 수 등)을 도표와 함께 제시한다.

실험 부분에서는 무작위로 생성한 수천 개의 그래프를 계약 변환 알고리즘에 적용해 동형동치 클래스를 구분하고, 각 클래스의 기본 그래프를 추출하였다. 결과는 동일 클래스에 속한 그래프들이 평균적인 거리, 클러스터링 계수, 스펙트럼 특성 등에서 거의 일치함을 보여준다. 이는 동형동치 분류가 기존의 구조 기반 분류보다 ‘위상적 일관성’을 더 강하게 보장한다는 실증적 증거가 된다.

마지막으로 논문은 동형동치 기반 분류의 장점과 한계를 논의한다. 장점으로는 (1) 위상적 특성에 초점을 맞춰 노이즈에 강함, (2) 기본 그래프라는 압축된 표현을 통해 저장·전송 비용 절감, (3) 복잡도 N을 기준으로 계층적 군집화가 가능함을 들었다. 한계는 계약 변환 탐색이 NP‑hard에 가까운 계산 복잡도를 가질 수 있어 대규모 그래프에 대한 효율적인 알고리즘이 필요하다는 점이다. 향후 연구 방향으로는 근사적 계약 변환 기법, 동형동치와 그래프 신경망(GNN) 결합, 그리고 동형동치 클래스를 활용한 그래프 데이터베이스 인덱싱 등을 제시한다.