열대 토렐리 맵을 이용한 메트릭 그래프 커널

초록

본 논문은 기존의 정점·간선 기반 그래프 커널이 아닌, 그래프를 1차원 거리 공간으로 보는 메트릭 그래프에 초점을 맞춘다. 열대 대수기하학의 토렐리 맵을 이용해 각 메트릭 그래프를 고유한 SPD 행렬로 변환하고, 이를 PSD 공간에 패딩하여 서로 다른 차수(Genus)의 그래프도 비교 가능하게 한다. 제안된 TTW(열대 토렐리‑워서스테인)와 TTE(열대 토렐리‑유클리드) 커널은 엣지 세분화에 불변이며, 복잡도는 그래프의 genus에 비례한다. 실험은 합성 데이터와 도로망 분류 등 실제 데이터에서 라벨이 없을 때 기존 커널을 보완함을 보여준다.

상세 분석

이 논문은 메트릭 그래프라는 개념을 정밀히 정의하고, 기존의 조합적 그래프 커널이 메트릭 그래프에 적용되지 못하는 근본적인 이유를 설명한다. 메트릭 그래프는 각 엣지에 길이 함수를 부여한 1차원 거리 공간이며, 엣지 세분화(Refinement)를 통해 그래프의 정점·간선 수가 변해도 동일한 거리 공간을 유지한다. 따라서 커널이 “Metric Graph Kernel”이라 불리기 위해서는 이러한 세분화에 불변해야 한다는 정의(Def. 2.1)를 제시한다.

핵심 기술은 열대 토렐리 맵(Tropical Torelli map)이다. 이 맵은 추상적 열대 곡선(즉, 메트릭 그래프)을 고유한 평탄 토러스, 즉 열대 야코비안(tropical Jacobian)으로 보내며, 이는 실질적으로 g×g 대칭 양정(SPD) 행렬로 표현된다. 논문은 먼저 그래프의 1‑동형군(H₁)을 기반으로 사이클‑엣지 인시던스 행렬 M을 구성하고, 엣지 길이 대각 행렬 L과 결합해 Q = M L Mᵀ 형태의 SPD 행렬을 얻는 알고리즘을 제시한다(Alg. 1).

여기서 중요한 점은 “generic length function” 가정이다. 모든 엣지 길이가 서로 다르고 최소 스패닝 트리가 유일하면, 위 알고리즘이 출력하는 Q는 정렬·방향 선택에 무관하게 유일하고, 어떠한 세분화에도 동일하게 유지된다. 이는 메트릭 그래프 커널의 불변성을 보장한다.

다음 단계에서는 서로 다른 genus를 가진 그래프를 비교하기 위해 SPD 행렬을 고정 차원의 PSD 행렬로 패딩한다. 이때 거리 함수로는 두 가지를 제안한다. 첫 번째는 Burés‑Wasserstein 거리(정보기하학에서 유도된 Riemannian 거리)이며, 이를 이용해 TTW 커널 k(x,y)=exp(−γ d²) 형태의 RBF 커널을 만든다. 두 번째는 단순히 유클리드 거리로 정의한 TTE 커널이다. 두 거리 모두 직교 변환에 불변하므로, 그래프의 내부 좌표계 선택에 영향을 받지 않는다.

복잡도 분석에서는 알고리즘의 주요 비용이 사이클‑엣지 인시던스 행렬 M을 구성하는 O(g n log n)와 Q를 계산하는 O(g² n)임을 보인다. 따라서 전체 복잡도는 O(g n(g+log n))이며, g가 그래프의 토폴로지(사이클 수)를 나타내므로, 희소 그래프에서는 거의 선형 시간, 반희소·밀집 그래프에서는 다항식 시간으로 동작한다.

실험 부분에서는 합성 데이터에서 genus와 edge 길이 변동에 대한 커널의 민감도를 검증하고, 실제 도로망 데이터(URBAN ROAD NETWORK, URN)에서 라벨이 없는 상황에서도 기존 WL, Graphlet, Shortest‑Path 등 조합적 커널보다 높은 분류 정확도를 달성함을 보고한다. 특히, 도로망은 자연스럽게 메트릭 그래프 모델에 부합하고, 엣지 세분화(예: 추가적인 교차점 삽입)에도 불변성을 유지한다는 점이 실용성을 강조한다.

이 논문은 열대 대수기하학과 정보기하학을 머신러닝에 연결하는 새로운 패러다임을 제시한다. 메트릭 그래프라는 보다 풍부한 구조를 다루면서도, 계산 효율성을 유지하고, 기존 커널이 놓치던 기하·위상 정보를 포착한다는 점에서 학술적·응용적 가치가 크다.