다양성 극대화 근중간 문자열 선택

초록

본 논문은 해밍 거리 하에서 입력 문자열 집합의 (근)중간 문자열을 다수 생성하면서, 선택된 문자열들의 합산·최소 분산을 최대화하는 알고리즘을 제시한다. 정확한 중간 문자열에 대한 직경(최대 거리) 최적화, 근근접 중간 문자열에 대한 합산 분산 PTAS, 그리고 최소 분산에 대한 바이‑크리테리온 근사법을 각각 설계·분석한다.

상세 분석

논문은 먼저 해밍 메디안 문제의 구조적 특성을 이용한다. 해밍 메디안은 각 위치에서 가장 빈도가 높은 문자들 중 하나로 구성된다는 사실(Lemma 5)에서 출발해, 두 메디안이 서로 다른 위치는 반드시 다중 최빈 문자들이 존재하는 자리임을 보인다. 이를 통해 정확한 메디안 두 개를 선택할 때 직경을 최대로 만드는 알고리즘을 선형 시간 내에 구현할 수 있다(정리 13). 그러나 실제 데이터에서는 메디안이 유일하거나 거의 유일한 경우가 많아 근근접 메디안을 허용해야 한다. 논문은 (1+ε)‑근접 메디안을 정의하고, ε에 따라 입력을 (1+ε)배 확장한 후 동일한 구조적 접근을 적용해 직경 최적화를 그대로 유지하는 알고리즘을 제시한다(정리 1).

다음으로 k개의 근근접 메디안을 선택해 합산 분산을 최대화하는 문제를 다룬다. 합산 분산은 모든 쌍의 해밍 거리를 합한 값이며, 이는 위치별로 독립적으로 최적화할 수 있다. 각 위치에서 r개의 최빈 문자가 존재한다면, k개의 메디안에 이 문자들을 가능한 한 균등하게 배분하면 해당 위치에서의 기여도가 최대가 된다. 이 아이디어를 전역적으로 적용하면, (1+ε)‑근접 메디안 집합을 다항 시간에 구하면서 최적 합산 분산의 (1−δ)‑근사 비율을 보장한다(정리 2).

마지막으로 최소 분산(max‑min) 문제는 훨씬 난이도가 높다. k가 상수인 경우 동적 프로그래밍으로 정확히 해결할 수 있지만, k가 큰 경우는 NP‑hard이다. 논문은 두 경우를 구분한다. 첫째, 입력 데이터의 최적 직경 D가 Ω( (1/δ²)·log k ) 이상이면, 무작위 샘플링과 거리‑보존 코딩 기법을 결합해 (1−δ)‑근사와 높은 성공 확률을 얻는다. 둘째, D가 O( (1/δ²)·log k ) 이하이면, 기존의 1/2‑근사 알고리즘을 그대로 적용한다(정리 3). 근근접 메디안을 허용하면, 추가적인 바이‑크리테리온을 도입해 (1+2ε)‑근접 메디안을 생성하면서 최소 분산을 (1/2−δ)·t* 수준으로 보장한다(정리 4). 여기서 t*는 근근접 메디안 집합의 최적 최소 거리이다.

전체적으로 논문은 해밍 메디안 공간의 조합적 구조와 오류 정정 코드 설계 원리를 결합해, 다양성 측정(합산·최소 분산)과 근접 최적성(1+ε) 사이의 트레이드오프를 정량적으로 분석한다. 제시된 알고리즘들은 이론적 복잡도와 근사 비율을 명시적으로 제시하며, 실제 바이오인포매틱스·패턴 인식·데이터 요약 등 다양한 응용 분야에 바로 적용 가능하도록 설계되었다.