온라인 예측 기반 최대화 문제의 복잡도와 하드니스 비교

초록

본 논문은 예측을 활용한 온라인 알고리즘 이론을 최소화 문제에서 최대화 문제로 확장한다. 비대칭 문자열 추측(ASG)과 온라인 제한 차수 독립 집합(IS) 문제 사이의 정확한 등가성을 증명하고, 다양한 온라인 최대화 문제들 간의 하드니스 보존 감소를 제시한다. 이를 통해 새로운 멤버십·하드·완전성 결과와 여러 문제에 대한 긍정·부정 알고리즘 결과를 도출한다.

상세 분석

논문은 먼저 Berg·Boyar·Favrholdt·Larsen(2025)의 예측 기반 온라인 복잡도 이론을 재검토한다. 그들의 프레임워크는 (1, Δ)‑Asymmetric String Guessing(ASG_Δ)을 기준으로 복잡도 클래스를 정의하고, 최소화 문제에만 적용되었다는 한계를 지적한다. 저자들은 이를 최대화 문제에 일반화하기 위해 Online Δ‑Bounded Degree Independent Set with Predictions(IS_Δ)를 도입한다. IS_Δ는 정점 도착 모델에서 각 정점에 대한 예측(예: 정점이 최적 독립 집합에 포함되는지 여부)을 받아, 알고리즘이 독립 집합을 구성하도록 설계된다.

핵심 기여는 두 문제 사이의 정확한 등가성 증명이다. 저자는 “어떤 경쟁률 ρ에 대해 ASG_Δ의 ρ‑경쟁 알고리즘이 존재한다 ⇔ IS_Δ에서도 동일한 ρ‑경쟁 알고리즘이 존재한다”는 양방향 정리를 제시한다. 여기서 경쟁률은 최소화와 최대화 문제에 대해 서로 다른 정의(비용 ≤ ρ·OPT + c vs. OPT ≤ ρ·수익 + c)를 사용한다. 증명은 새로운 “strict online max‑reduction” 개념을 도입해, 알고리즘 매핑 A와 인스턴스 매핑 R이 경쟁률과 예측 오류 측정(Δ₀, Δ₁)을 보존하도록 구성한다. 특히, R2 조건에서 최적값의 차이가 상수 κ 이하임을 보장함으로써 최대화 문제에서도 최소화 문제와 동일한 하드니스 관계를 유지한다.

이 등가성을 바탕으로 저자는 IS_Δ를 ASG_Δ와 동일한 복잡도 클래스 𝒞_{Δ, Δ₀, Δ₁}‑complete로 위치시킨다. 이후 여러 온라인 최대화 문제—Online Interval Scheduling, Online Set Packing, Online Bounded‑Degree Clique 등—에 대해 IS_Δ와의 감소를 설계한다. 각 감소는 그래프 변환이나 요청 순서 재구성을 통해 이루어지며, 예측 오류는 그대로 유지하거나 상수 배만큼 증가시킨다. 결과적으로 해당 문제들은 𝒞_{Δ, Δ₀, Δ₁}‑hard 혹은 ‑complete 로 분류된다.

알고리즘적 측면에서는 기존의 긍정적 결과(예: 예측이 완벽할 때 최적, 오류가 제한적일 때 1 + ε 경쟁)와 부정적 결과(예: 특정 Δ에 대해 Ω(log Δ) 하한) 를 IS_Δ와 연결된 문제들에 그대로 전이한다. 특히, Online Bounded‑Degree Independent Set에 대해 새로운 (1 + ε)‑경쟁 알고리즘을 제시하고, 반대로 Online Bounded‑Degree Clique에 대해서는 Ω(Δ) 하한을 증명한다. 이러한 결과는 예측 기반 온라인 알고리즘 설계 시 문제 선택이 하드니스에 미치는 영향을 명확히 보여준다.

전반적으로 논문은 최소화와 최대화 문제 사이의 경쟁률 정의 차이를 극복하고, 예측 오류 모델을 일관되게 적용함으로써 온라인 복잡도 이론을 크게 확장한다. 제시된 감소와 완전성 결과는 향후 새로운 온라인 최대화 문제를 기존 복잡도 클래스에 매핑하는 표준 도구로 활용될 가능성을 열어준다.