반복 지역 모델 토너먼트

초록

**
ILMT는 기존의 반복 지역 전이 모델을 방향 그래프인 토너먼트에 적용한 새로운 결정론적 생성 모델이다. 각 단계에서 모든 정점을 복제하고, 복제본 사이의 호 방향을 이진 생성열 s 에 따라 보존하거나 반전시켜 고밀도 토너먼트를 만든다. 논문은 ILMT 토너먼트가 작은 지름(≤3), 무한히 증가하는 연결성, 모든 유한 토너먼트의 포함성, 그리고 생성열에 무한히 많은 0이 포함될 경우 준무작위(quasirandom) 특성을 갖는 것을 증명한다. 또한 3‑노드 모티프(직선 순서와 순환 3‑사이클)의 정확한 개수식과, 코프 수, 지배수, 색채수와 같은 전통적인 그래프 이론적 파라미터에 대한 초기 결과를 제시한다.

**

상세 분석

**
본 논문은 복제‑연결 메커니즘을 이용해 토너먼트를 점진적으로 확대하는 ILMT(Iterated Local Model for Tournaments)라는 새로운 모델을 제안한다. 모델 정의는 두 단계로 구성된다. 첫째, 기존 토너먼트 Gₜ₋₁ 의 각 정점 x 에 대해 복제본 x′ 을 추가한다. 둘째, 기존 호 (u,v) 에 대해 (u, v′), (u′, v) 를 삽입하고, (x′, x) 를 항상 추가한다. 마지막으로 복제본 사이의 호 방향을 이진 생성열 s 의 t번째 비트에 따라 결정한다. s(t)=1 이면 (u′, v′)를, s(t)=0 이면 (v′, u′)를 삽입한다. 이 과정은 매 단계마다 정점 수를 두 배로 늘리며, 복제‑부모 관계가 항상 존재하므로 그래프는 강하게 연결된 토너먼트 구조를 유지한다.

지름과 연결성
정리 1은 기본 토너먼트 G₀ 에 sink(출력이 없는 정점)가 없고, s 가 최소 한 번이라도 0을 포함하면 충분히 큰 t 에 대해 ILMTₜ,ₛ(G₀) 의 지름이 3 이하임을 보인다. 증명은 0‑스텝에서 복제본 사이에 역방향 호가 삽입되어 4‑길이 사이클을 형성하고, 이를 통해 모든 정점 쌍이 길이 ≤3의 유향 경로로 연결됨을 이용한다. 정리 2는 기본 토너먼트가 k‑연결성(k‑connected)일 경우 한 번의 ILMT 변환 후 그래프가 2k‑연결성을 갖는다는 점을 제시한다. 이는 복제본이 부모와 양방향 연결을 제공함으로써 절단 집합의 크기를 두 배로 늘리는 효과를 갖는다. 따라서 시간 단계가 진행될수록 연결성은 무한히 커진다.

모티프(3‑노드 서브토너먼트) 계수
정리 3은 D₃(순환 3‑사이클)와 T₃(선형 순서) 서브토너먼트의 정확한 재귀식을 제시한다. s(t)=1일 때는 복제본 사이의 호 방향이 보존되므로 기존 D₃ 하나당 8개의 새로운 D₃ 가 생성된다. 반면 s(t)=0일 때는 방향이 반전되어 기존 D₃ 중 5개와 기존 T₃ 중 1개가 새로운 D₃ 가 되고, 나머지는 T₃ 가 된다. 이를 통해 aₜ(=D₃ 개수)와 bₜ(=T₃ 개수)의 닫힌 형태를 얻으며, 무한히 많은 0이 포함된 경우 aₜ/|V|³ → 1/4, 즉 D₃ 비율이 25%에 수렴함을 보인다. 이는 실제 복잡 네트워크에서 관찰되는 “클러스터링” 현상과 일맥상통한다.

준무작위성
정리 6은 생성열 s 가 무한히 많은 0을 포함하면 (Gₜ)ₜ≥0이 준무작위(quasirandom) 토너먼트 시퀀스를 형성한다는 강력한 결과를 제시한다. 준무작위성 정의에 따르면, 모든 고정된 토너먼트 H에 대해 d*_{Gₜ}(H) → 2^{-|V(H)|\choose2}가 된다. 논문은 이를 증명하기 위해 ‘quasirandom‑forcing’ 토너먼트인 4‑노드 선형 순서(L₄)의 밀도를 분석한다. s에 0이 충분히 자주 등장하면 복제본 사이의 호 방향이 무작위에 가까워져 L₄의 밀도가 1/16에 수렴하고, 이는 Theorem 5에 의해 전체 시퀀스가 준무작위임을 보장한다.

보편성(Universality)
정리 4와 그에 따른 Corollary 2는 s가 무한히 많은 0을 가질 경우, 임의의 유한 토너먼트 H 가 어느 시점 r 이후의 ILMT₍ᵣ,ₛ₎(G₀) 의 서브토너먼트로 등장한다는 보편성을 증명한다. 이는 복제‑역전 과정을 통해 서브그래프의 호 방향을 자유롭게 조정할 수 있음을 이용한다. 따라서 ILMT는 ‘모든 작은 패턴을 포함하는’ 네트워크 모델로서, 실제 사회·경제·스포츠 네트워크에서 관찰되는 다양한 서브구조를 재현한다.

그래프 이론적 파라미터
섹션 4에서는 코프 수(cop number), 지배수(domination number), 색채수(chromatic number) 등에 대한 초기 경계값을 제시한다. 예를 들어, ILMT 토너먼트는 강한 연결성을 갖기 때문에 코프 수가 2 이하임을 보이며, 복제‑부모 관계가 존재하므로 지배 집합의 크기가 로그 수준으로 감소한다는 직관적 설명을 제공한다. 색채수는 토너먼트가 완전 방향 그래프이므로 항상 n이지만, 복제 단계에서 발생하는 특정 구조(예: D₃ 와 T₃)의 비율을 통해 색채 수의 하한을 강화할 수 있다.

의의와 향후 연구
본 연구는 고밀도 방향 네트워크를 모델링하는 새로운 결정론적 프레임워크를 제공한다. 특히, 작은 지름·높은 연결성·준무작위성·보편성이라는 네 가지 핵심 특성을 동시에 만족한다는 점에서 기존 무작위 혹은 성장 기반 모델과 차별화된다. 향후 연구에서는 (i) s 의 통계적 특성(예: 마코프 체인)과 토너먼트의 스펙트럼, (ii) ILMT 의 확장형인 가중·다중 복제 모델, (iii) 실제 소셜 미디어 데이터와의 정량적 매핑 등을 제안한다.

**