확률적 질의 복잡성에서 합성 시 증폭은 언제 필요한가?

이 논문은 계산 복잡성 이론, 특히 질의 복잡성 분야에서 함수 합성의 비용을 분석한다. 확률적 결정 트리 모델에서 두 함수 f (외부 함수)와 g (내부 함수)가 주어졌을 때, 그 합성 함수 f∘gⁿ을 계산하는 데 필요한 질의 수(비용)를 연구한다. 합성 함수는 n개의 블록 입력 x¹,...,xⁿ에 대해 f(g(x¹), ..., g(xⁿ))으로 정의된다. 합성 함수에 대한 확률적 알고리즘을 설계하는 자연스러운 방법은 다음과 같다: f를 계산하는 저오류 결정 트리를 가져와, f가 i번째 입력 비트(즉, g(xⁱ) 값)를 질의할 때마다, g(xⁱ)를 계산하는 고정밀도(오류율 ~1/n)의 결정 트리를 실행한다. 모든 n개 좌표에서 오류가 발생하지 않을 확률을 보장하기 위해 유니온 바운드를 사용하면, g의 오류율을 1/n 수준으로 낮추기 위해 일반적으로 O(log n)의 비용 오버헤드(증폭)가 발생한다. 이로 인해 f∘gⁿ의 확률적 질의 복잡도 상계는 O(BPP(f) · BPP(g) · log n) 형태가 된다. 논문의 핵심 질문은 "이 로그(log n) 인자가 언제 필수적인가?"이다. 이를 위해 저자들은 먼저 관련 개념인 "노이즈 입력을 갖는 결정 트리" 모델을 검토한다. 이 모델에서는 입력 비트를 질의할 때마다 일정 확률로 잘못된 값(노이즈)이 반환된다. 합성 함수 계산 문제는 f의 입력 비트 y_i (=g(xⁱ))에 노이즈가 섞인 환경에서 f를 계산하는 문제와 구조적으로 유사함을 관찰하며(Observation 1), 이를 통해 합성에 대한 하한이 노이즈 모델에 대한 하한을 이끌어냄을 보인다. 주요 결과는 특정 외부 함수 f에 대해 로그 인자가 필수적임을 강력한 형태로 보이는 것이다: 1. **패리티 함수(Xor):** Theorem 2에서, 내부 함수 g로 특정 부분 함수(GapMaj)를 사용할 때, 합성 함수 Xor∘gⁿ의 질의 복잡도가 PostBPP라는 매우 강력한 모델에서도 Ω(n · BPP₁/ₙ(g)) ≥ Ω(n log n · BPP(g))의 하한을 가짐을 증명한다. PostBPP 모델은 알고리즘이 특정 입력에서 계산을 포기(abort)할 확률을 거의 1에 가깝게 가질 수 있지만, 포기하지 않았을 때의 출력 정확도는 높아야 하는 모델로, 일반 BPP 모델보다 훨씬 강력하다. 따라서 이 결과는 기존에 알려진 BPP 노이즈 모델 하한(