거듭된 확장 그래프를 이용한 ℓ₁ⁿ 거의 유클리드 부분공간의 명시적 구성

**1. 서론 및 배경** 고차원 기하학에서는 ℓ₁ⁿ와 ℓ₂ⁿ 노름이 서로 상수 배 이내로 비례하는 서브스페이스를 “거의 유클리드 섹션”이라 부른다. 확률적 방법(예: Kashin, Gluskin 등)은 차원 εN 혹은 (1‑ε)N인 서브스페이스가 상수 왜곡을 갖는 것을 보였지만, 명시적(알고리즘적) 구성이 어려웠다. 최근 몇 년간 컴비네토리얼 기법을 이용해 차원 O(N) 수준에서 다항시간에 구축 가능한 결과가 제시됐지만, 왜곡이 아직 N^{1/4} 정도에 머물렀다. 본 논문은 이러한 격차를 메우기 위해 두 가지 목표를 설정한다. (i) 차원 (1‑o(1))N인 서브스페이스를 결정론적으로 구성한다. (ii) 왜곡을 (log N)^{O(log log log N)} 수준으로 낮춘다. 또한, 제한된 무작위 비트를 허용하면 왜곡을 (log N)^{O(1)} 로 개선한다. **2. 주요 정의와 개념** - **왜곡 Δ(X)**: Δ(X)=√N·max_{x∈X\{0}} (‖x‖₂/‖x‖₁). - **스프레드 서브스페이스**(Definition 2.1): 모든 비영벡터 x∈X에 대해, 일정 비율 이상의 좌표가 ‖x‖₁의 일정 비율을 차지한다는 조건을 정량화한다. 이는 왜곡과 직접적인 관계가 있다. - **비균형 이분 확장 그래프** G=(V_L,V_R,E): |V_L|=N, |V_R|=n, 오른쪽 정규도 d, 왼쪽 최대 차수 D. 확장 프로파일 Λ_G(m)=min_{|S|>m}|Γ(S)| 로 정의한다. **3. 초기 스프레드 서브스페이스 구성** 케르독 코드와 스펙트럼 분석을 이용해 차원 Θ(N)·(log N)^{-O(1)} 정도의 서브스페이스 L₀를 만든다. 이 서브스페이스는 스프레드 성질을 만족하지만 왜곡은 O(N^{1/4})에 불과하다. 이는 이후 단계에서 개선될 기본 블록이다. **4. 확장 그래프를 통한 로컬 제약** 주요 아이디어는 그래프 G와 서브스페이스 L을 결합해 X(G,L)= {x∈ℝⁿ : ∀j∈V_R, x_{Γ(j)}∈L } 를 정의하는 것이다. 여기서 각 오른쪽 정점 j는 d개의 좌표를 선택하고, 그 좌표들의 제한을 L에 강제한다. 정리 4.2는 Λ_G와 L의 스프레드 파라미터가 주어지면 X(G,L)의 스프레드 파라미터를 명시적인 식으로 상한한다. 핵심은 확장 그래프가 작은 집합 S⊂V_L에 대해 큰 이웃 집합을 제공함으로써, 어느 한 좌표가 크게 편중되는 경우를 방지한다는 점이다. **5. 그래프 구성** 두 종류의 명시적 그래프가 사용된다. - **스펙트럴 확장 그래프**(정리 2.4, 2.6): 라마누잔 그래프의 에지‑버텍스 변환을 이용해 (N,n,4,Θ(d))-정규 그래프를 만든다. 확장 프로파일은 Λ_G(m) > min{ n·m/(2√d), √(2Nm/d) } 를 만족한다. - **합성곱 기반 그래프**: Barak·등의 합성곱 기법을 사용해 비균형 그래프를 만든다. 이 그래프는 오른쪽 정규성을 유지하면서도 높은 확장도를 제공한다. 두 그래프 모두 “right‑regularization” 레마(정리 2.3)를 적용해 오른쪽 정규도를 정확히 d 로 맞춘다. **6. 재귀적 구성 및 최종 서브스페이스** 전체 서브스페이스 X는 다음과 같이 재귀적으로 정의된다. X₀ = L₀. X₁ = X(G₁, X₀). X₂ = X(G₂, X₁). … X_r = X(G_r, X_{r‑1}). 각 단계에서 그래프의 파라미터를 조절해 차원 손실을 O(ηN) 이하로 억제하고, 스프레드 파라미터는 다항 로그만큼 악화된다. 최종적으로 dim X > (1‑η)N이며, 왜곡 Δ(X) ≤ (log N)^{O(log log log N)}·O(log log N) 가 된다(정리 1.1). **7. 부분 무작위화** 정리 1.2에서는 N^{1/ log log N} 정도의 무작위 비트를 사용해 그래프의 일부 연결을 무작위화한다. 이 경우 확장 프로파일이 평균적으로 더 좋게 되므로, 최종 왜곡을 (log N)^{O(1)} 로 낮출 수 있다. 이는 기존의 “partial derandomization” 기법(예: Kashin, Schechtman, Artstein‑Avidan‑Milman)보다 차원 손실 없이 더 강력한 결과다. **8. 압축 센싱 응용** X의 커널을 행렬 M으로 보면, Δ(ker M) ≤ D이면 M은 N·D^{-2} 정도의 스파스 신호를 ℓ₁ 최소화(베이시스 퍼스)로 정확히 복원한다. 본 논문의 구성으로 n = Θ(N / polylog N)인 측정 행렬을 명시적으로 얻으며, 행렬은 O(1) 비영 요소를 갖는 희소 구조다. 따라서 실제 압축 센싱 시스템에서 행렬‑벡터 곱 연산이 매우 빠르고, 복원 알고리즘도 안정성을 보장한다. **9. 결론 및 향후 과제** 이 연구는 고차원 기하학, 그래프 이론, 오류 정정 코드 설계라는 세 분야를 융합해, 차원 손실 없이 로그 수준의 왜곡을 달성하는 명시적 “거의 유클리드” 섹션을 제공한다. 현재의 한계는 왜곡 상수에 남아 있는 (log N)^{O(log log log N)} 항이며, 이는 더 강력한 확장 그래프 혹은 새로운 스프레드 분석 기법을 통해 제거될 가능성이 있다. 또한, 압축 센싱에서의 잡음 내성 및 실험적 평가도 향후 연구 주제로 남는다.