희소 확장 그래프에서 거의 해밀턴 사이클과 그 응용

초록

이 논문은 서브리니어(expansion factor가 로그에 역비례하는) 확장 그래프에서 정규성 조건을 만족하는 거의 해밀턴 사이클을 구성하는 새로운 방법을 제시한다. 이를 이용해 정규 그래프의 거의 모든 정점을 서로 다른 F‑서브디비전으로 덮는 Verstraëte의 20년 된 추측을 로그 수준의 오차와 함께 해결한다. 또한, Magnant‑Martin 경로 분할 추측과 다중 코드를 가진 사이클 존재 문제에도 응용한다.

상세 분석

논문은 크게 두 가지 기술적 축을 중심으로 전개된다. 첫 번째는 ‘서브리니어 확장자(sublinear expander)’ 안에서 정규성(average degree와 maximum degree가 거의 일치함)을 동시에 만족하는 부분 그래프를 찾아내는 방법이다. 기존의 확장 그래프 이론은 보통 상수 수준의 확장 계수 α를 가정했으나, 여기서는 α=Θ(1/(log n)^c) 수준의 매우 약한 확장만을 요구한다. 저자들은 임의의 d‑regular 그래프(G, d≥2 log n)에서 거의 모든 정점을 포함하는, 최대 차수가 d이면서 평균 차수가 d·(1−o(1))인 서브리니어 확장자 집합 ℋ를 구성한다(Lemma 4.1, Lemma 4.1의 정밀 버전인 Lemma 4.1). 이 과정에서 랜덤 샘플링과 부트스트래핑 기법을 결합해, 확장성은 유지하면서 정규성을 조절한다는 점이 핵심이다.

두 번째 축은 이렇게 얻어진 서브리니어 확장자에 ‘거의 해밀턴 사이클(near‑Hamilton cycle)’을 삽입하는 알고리즘이다. 기존의 Krivelevich‑Sudakov 결과는 상수 확장 그래프가 완전 해밀턴 사이클을 갖는 것을 보였지만, 서브리니어 경우는 사이클 길이가 선형이 보장되지 않는다. 저자들은 ‘거의 해밀턴 경로’를 먼저 찾고, 이를 기반으로 정점‑불연속적인 F‑서브디비전을 삽입한다(Lemma 5.1, Lemma 6.1). 핵심 아이디어는 (i) 확장자 내부에서 충분히 많은 ‘브리지’와 ‘코어’ 정점을 확보해 임의의 정점 쌍을 짧은 경로로 연결하고, (ii) 무작위 정점 집합 R을 선택해 R을 통해 경로들을 연결함으로써 전체를 하나의 긴 경로로 합치는 것이다. 이때 사용되는 확장성 조건은 |N(X)|≥C|X| (|X|≤n/2C)와 ‘큰 집합 사이의 연결성’ 두 가지이며, 이는 서브리니어 확장자의 정의와 일치한다.

이 두 기술을 조합하면, d≥(log n)^130인 충분히 큰 정규 그래프 G에 대해, 거의 모든 정점을 포함하는 F‑서브디비전 팩킹을 얻는다(Theorem 1.2). 여기서 ‘거의 모든’은 n·(log log n)^{1/30} 이하의 정점이 남는다는 의미이며, 이는 기존 결과가 요구하던 선형 수준의 오차보다 훨씬 강력하다. 또한, 정규성 조절을 통해 평균 차수가 d·(1−o(1))인 서브리니어 확장자를 찾는 과정은, 평균 차수가 Ω(d log n)인 임의 그래프에서도 동일하게 적용 가능함을 보인다(Corollary 4.2).

추가 응용으로는 (1) Magnant‑Martin이 제시한 d‑regular 그래프를 n/(d+1)개의 경로로 분할한다는 추측을, 충분히 큰 d에 대해 거의 완전한 사이클 분할 형태로 강화한다(Section 7.2). (2) Chen‑Erdős‑Staton의 ‘다중 코드를 가진 사이클’ 문제에 대해, 다항 로그 팩터만큼의 약화된 형태이지만 기존 결과와 동등한 강도를 갖는 사이클을 구성한다(Section 7.3).

전체적으로 이 논문은 서브리니어 확장 그래프라는 약한 의사무작위 모델 안에서도 정규성 제어와 경로 연결 기법을 정교하게 결합함으로써, 기존에 밀도 의존적인 해밀턴성 및 팩킹 결과들을 희소 그래프 영역으로 확장한다는 점에서 큰 의의를 가진다.