트리‑차일드 네트워크 순위 계산과 기대값 분석

초록

본 논문은 이진·반이진 트리‑차일드 네트워크에서 가능한 시간 순위(랭킹)의 개수를 정확히 셈하는 방법을 제시한다. 또한 랭킹이 존재하는 트리‑차일드 네트워크는 모두 ‘노멀’ 네트워크임을 증명하고, 무작위로 선택된 트리‑차일드 네트워크의 평균 랭킹 수에 대한 점근적 식을 도출한다.

상세 분석

논문은 먼저 단순 유향 비순환 그래프(DAG)의 위상 정렬 개수를 δ(D)라 정의하고, 트리‑차일드 네트워크(N)의 내부 정점들을 ‘이벤트(event)’라는 동등 클래스로 묶는다. 이벤트는 하나의 분기(event) 혹은 최소 세 개의 정점을 포함하는 레티큘레이션(event)로 구분된다. 랭킹은 이러한 이벤트에 0부터 e_N‑1까지의 정수를 부여하는 함수이며, 트리 아크에 대해서는 엄격히 증가하고 레티큘레이션 아크에 대해서는 동일한 값을 가져야 한다(T1, T2 조건).

핵심 결과는 두 단계로 나뉜다. 첫 번째는 “분리된(separated) 트리‑차일드 네트워크가 랭킹을 가질 경우 반드시 노멀(normal)이다”라는 정리이다. 여기서는 길이 k≥3인 유향 경로 v₁→…→v_k에 대해 (v₁, v_k) 가 직접 연결되는 ‘쇼트컷’이 존재하면 랭킹 모순이 발생함을 보이며, Lemma 2와 Proposition 1을 통해 모순을 귀류한다. 두 번째는 랭킹 개수를 셈하는 변환이다. 네트워크 N의 이벤트 집합 d_N을 정점으로 하고, 트리 아크가 연결하는 이벤트 사이에 방향성을 부여해 새로운 DAG Ψ(N)를 만든다. 주요 명제는 ψ(N)의 위상 정렬 개수 δ(Ψ(N))가 원 네트워크 N의 랭킹 수 ψ(N)와 정확히 일치한다는 것인데, 이는 각 이벤트가 동일한 순위 값을 공유하기 때문에 위상 정렬의 자유도가 바로 랭킹의 자유도와 동일함을 의미한다. 예시 그림을 통해 Ψ(N)가 경우에 따라 단순 트리 구조가 되며, 이때는 식 (2)인 δ(T)=|V|!∏_v λ(v) 로 바로 계산한다.

또한, 일반적인 네트워크에서 위상 정렬 개수는 #P‑hard이지만, 트리‑차일드와 분리 조건을 이용해 Ψ(N)가 항상 DAG이며, 효율적인 동적 프로그래밍으로 δ(Ψ(N))를 O(|V|²) 시간 내에 구할 수 있음을 암시한다.

마지막으로 무작위 이진 트리‑차일드 네트워크(N_{n,k})를 고려한다. 여기서 n은 잎의 수, k는 레티큘레이션 정점 수이다. 평균 랭킹 수 E