그래프 신호 처리와 필터 설계의 스펙트럼 통계

본 논문은 그래프 신호 처리(GSP)와 분산 평균 합의(Distributed Average Consensus) 알고리즘을 연결짓는 새로운 필터 설계 방법을 제시한다. GSP에서는 그래프의 구조를 반영하는 시프트 연산자(인접 행렬 혹은 라플라시안)를 정의하고, 이 행렬에 대한 다항식 p(W) 를 신호에 적용함으로써 필터링을 수행한다. 필터 설계는 주로 시프트 행렬의 고유값 분포에 의존하는데, 무작위 그래프에서는 고유값이 확률 변수이므로 정확한 스펙트럼 정보를 얻기 어렵다. 이를 해결하기 위해 저자는 Girko의 확정적 등가(Deterministic Equivalent) 이론을 활용한다. Girko 이론은 대규모 무작위 행렬의 경험적 스펙트럼 분포(ESD)를 결정론적 함수로 근사할 수 있게 해 주며, 특히 독립이지만 동일분포가 아닌 원소를 갖는 행렬에도 적용 가능하다. 논문은 두 가지 전형적인 무작위 그래프 모델, 즉 Erdős‑Rényi 네트워크와 D‑차원 격자 스토캐스틱 블록 모델을 대상으로 Girko 방법을 적용해 각 그래프의 가중치 행렬(특히 행 정규화 라플라시안 L_R)의 스펙트럼 밀도 f_N(λ)를 구한다. 분산 평균 합의 알고리즘은 x_{n+1}=W x_n 형태의 선형 동역학으로 표현되며, 수렴 속도는 ρ(W−J) (여기서 J는 평균 합의 행렬)의 로그에 비례한다. 필터를 주기적으로 적용하면 x_{n+1}=p(W) x_n 로 변형되며, 수렴 속도는 ρ(p(W)−J) 에 의해 결정된다. 따라서 목표는 p(W) 가 1을 고정점으로 유지하면서 ρ(p(W)−J) 를 최소화하는 다항식 p를 찾는 것이다. 논문은 이를 최소극대화 문제로 정식화한다. 고유값 집합 Λ_{κ,τ} 를 정의하여, λ∈Λ_{κ,τ} 에 대해 |p(λ)| 를 최소화하도록 한다. 여기서 Λ_{κ,τ} 는 1에 너무 가까운 고유값을 제외하고, 스펙트럼 밀도 f_N(λ) 가 일정 임계값 τ 이상인 구간을 의미한다. 이 제약은 실제 무작위 그래프에서 자주 나타나는 고유값 영역을 포착한다. 다항식 p를 직접 최적화하는 대신, p(λ)=1+(1−λ)q(λ) 로 변형하고, q(λ)를 차수 d−1의 Chebyshev 다항식 φ_n(λ) 의 선형 결합으로 표현한다. 이렇게 하면 p(1)=1 제약이 자동으로 만족되고, 최적화는 q의 계수 a_n 을 찾는 선형 계획(LP) 문제로 변환된다. LP는 샘플링된 λ_i∈Λ_S 에 대해 |(1−λ_i)q(λ_i)−1| ≤ ε 형태의 부등식으로 구성된다. 수치적 안정성을 위해 φ_n은 스펙트럼 구간 Λ_{κ,τ} 에 맞게 스케일링된다(T_n 변환 사용). 실험에서는 두 종류의 가중치 행렬을 비교한다. 첫 번째는 비정규화 라플라시안 L을 이용한 W=I−αL 로, 이는 이중 확률적(doubly stochastic) 행렬이지만 라플라시안의 스펙트럼은 Girko 방법으로 근사하기 어렵다. 두 번째는 행 정규화 라플라시안 L_R을 이용한 W=I−αL_R 로, 이는 행 확률적(row stochastic)이며 Girko 방법으로 정확히 근사할 수 있다. 시뮬레이션 결과, L_R 기반 가중치가 L 기반 가중치보다 훨씬 빠른 수렴 속도를 보였으며, 이는 스펙트럼 지원이 더 컴팩트하고 근사 정확도가 높기 때문이다. 또한 제안된 최적화(8)를 기존의 평균 행렬에 대한 반정정 프로그램(SDP) 및 뉴턴 보간 다항식 방법과 비교하였다. 특히 차수가 낮은 경우(예: d=1~10)에도 제안 방법이 전반적으로 더 높은 per‑iteration 수렴률을 달성했다. SDP는 평균 행렬의 고유값 개수보다 차수가 작을 때만 해를 제공하므로 제한적이었으며, 뉴턴 보간 방법은 전체 스펙트럼을 충분히 반영하지 못했다. 마지막으로, 실제 경험적 스펙트럼 분포를 알 수 있는 경우(oracle)와 Girko 기반 결정론적 근사를 사용한 경우를 비교했을 때, 두 결과는 거의 일치했으며, 이는 Girko 방법이 대규모 무작위 그래프의 스펙트럼을 매우 정확히 포착한다는 것을 시사한다. 결론적으로, 이 논문은 무작위 그래프의 스펙트럼 통계를 Girko의 확정적 등가를 통해 실용적으로 추정하고, 이를 기반으로 Chebyshev 근사와 선형 계획을 결합한 최소극대화 설계 프레임워크를 제시한다. 설계된 저역통과 필터는 분산 평균 합의 알고리즘의 수렴 속도를 크게 향상시키며, 무작위 네트워크 환경에서도 고유값 정보를 직접 구하기 어려운 상황에서 효과적인 그래프 필터 설계가 가능함을 입증한다.