[論文レビュー] A constructive proof of the general Lovasz Local Lemma

Robin A. Moser, Gábor Tardos|ArXiv.org|Mar 3, 2009

Advanced Graph Theory Research参考文献 11被引用数 6

ひとこと要約

この論文は、限られた依存関係を持つ制約系に対して、満たされる割り当てを有効に見つける一般化されたロヴァシュの局所補題（LLL）の構成的でアルゴリズム的な証明を提示する。ランダムな再サンプリングアルゴリズムを用いて、反復的に違反する事象を修正することで、標準的なLLL条件のもとで多項式時間内に収束することが保証される。先行研究と比較して不要な定数を排除し、ほぼすべての既知のLLLの応用に直接適用可能になるように改善されている。

ABSTRACT

The Lovasz Local Lemma [EL75] is a powerful tool to non-constructively prove the existence of combinatorial objects meeting a prescribed collection of criteria. In his breakthrough paper [Bec91], Beck demonstrated that a constructive variant can be given under certain more restrictive conditions. Simplifications of his procedure and relaxations of its restrictions were subsequently exhibited in several publications [Alo91, MR98, CS00, Mos06, Sri08, Mos08]. In [Mos09], a constructive proof was presented that works under negligible restrictions, formulated in terms of the Bounded Occurrence Satisfiability problem. In the present paper, we reformulate and improve upon these findings so as to directly apply to almost all known applications of the general Local Lemma.

研究の動機と目的

• 元の証明が非構成的であるという性質を克服する、一般化されたロヴァシュの局所補題に対する構成的でアルゴリズム的な証明を提供すること。
• 存在的LLLとそのアルゴリズム的対応の間のギャップを埋め、各事象の最大確率について近似的に最適な境界を達成すること。
• LLLフレームワークを再定式化し、多数の既知のLLL応用に直接適用可能な形にすること。
• 従来の構成的LLL結果の仮定に含まれる不要な定数を排除し、実用的利用のための条件を単純化すること。

提案手法

• アルゴリズムは、基礎となる独立な確率変数に初期のランダム割り当てをし、違反する事象に関与する変数を繰り返し再サンプリングすることで進行する。
• 依存関係を追跡するために、ずれのあるウィtnessツリー構造を用いる。これにより、局所的に依存する事象にのみ再サンプリングが行われることを保証する。
• 各事象 $ A $ に実数値 $ x(A) \in (0,1) $ を割り当て、$ \operatorname{Pr}[A] \leq x(A) \prod_{B \in \Gamma(A)} (1 - x(B)) $ を満たすようにする。
• アルゴリズムは、各事象あたりの再サンプリング回数の期待値が $ \frac{x(A)}{1 - x(A)} $ で有界であることを保証し、与えられた条件下でこれがタイトである。
• 違反する事象の最大独立集合を用いることで、並列版のアルゴリズムをサポートする。Lubyのランダムアルゴリズムを用いて、このような集合を効率的に同定する。
• 証明により、一般LLL条件のもとで、アルゴリズムが期待多項式時間で終了することが示され、実行時間は独立集合の計算に支配される。

実験結果

リサーチクエスチョン

• RQ1 存在的バージョンと同等の条件で動作する、一般化されたロヴァシュの局所補題に対する構成的アルゴリズムを設計可能か？
• RQ2 ランダム再サンプリングアルゴリズムが期待多項式時間で終了することを保証するために必要な最小限の仮定は何か？
• RQ3 アルゴリズムを、問題固有の再定式化を必要とせずに、既知のLLLすべての応用に直接適用可能にするにはどう構造化すべきか？
• RQ4 従来の構成的LLL結果における定数因子を排除し、よりタイトで自然な境界を達成できるか？
• RQ5 依存グラフの次数が無限大であっても、アルゴリズムを決定的化することは可能か？

主な発見

• アルゴリズムは、標準的なロヴァシュの局所補題条件のもとで、期待多項式時間で終了することが保証され、再サンプリングステップの期待数は $ \sum_{A \in \mathcal{A}} \frac{x(A)}{1 - x(A)} $ で有界である。
• 各事象あたりの再サンプリング回数の期待値に対する境界 $ \frac{x(A)}{1 - x(A)} $ はタイトであり、事象が依存グラフ上で孤立している場合にのみ達成される。
• アルゴリズムの実行時間は、依存グラフにおける最大独立集合の計算に支配され、Lubyのアルゴリズムを用いることで $ O(\log^2 m) $ の期待時間で実行可能である。
• 従来の構成的LLL結果に存在した不要な定数因子を排除し、より洗練され一般性の高い定式化を達成した。
• 違反する事象の最大独立集合を繰り返しサンプリングすることで、並列化が可能であり、並列アーキテクチャ上での効率的実行が可能である。
• フレームワークは一般性に富んでおり、超グラフ彩色や充足可能性問題を含む、ほぼすべての既知の一般LLLの応用に直接適用可能である。