[論文レビュー] A simple regularization of graphs

Yoshiyasu Ishigami|ArXiv.org|Apr 30, 2009

Limits and Structures in Graph Theory参考文献 11被引用数 3

ひとこと要約

本稿では、事前に定義された列からのランダムに選ばれたサンプルサイズを用いて、グラフの頂点分割を反復処理を用いずに構築する新規な手法を提示する。この手法は、1回のランダムな頂点サンプリングによって、準ランダム性を満たす分割を高確率で得るものであり、Szemerédiの元来のエネルギー増加法とは異なり反復的でないシンプルな代替手法を提供する。さらに、ハイパーグラフへの自然な一般化が可能である。

ABSTRACT

The well-known regularity lemma of E. Szemerédi for graphs (i.e. 2-uniform hypergraphs) claims that for any graph there exists a vertex partition with the property of quasi-randomness. We give a simple construction of such a partition. It is done just by taking a constant-bounded number of random vertex samplings only one time (thus, iteration-free). Since it is independent from the definition of quasi-randomness, it can be generalized very naturally to hypergraph regularization. In this expository note, we show only a graph case of the paper [I] on hypergraphs, but may help the reader to access [I].

研究の動機と目的

• グラフにおける準ランダム性を満たす、シンプルで反復処理を伴わない頂点分割の構築を提供すること。
• Szemerédiの正則性補題における反復的エネルギー増加法の制限を、1回のランダムサンプリング手順によって克服すること。
• 特定の準ランダム性の定義に依存しないフレームワークを提示し、ハイパーグラフへの自然な一般化を可能にすること。
• 共同論文[5]で開発されたより広範なハイパーグラフ正則性理論へのよりアクセスしやすい入門を提供すること。
• ランダムに選ばれたサンプルサイズを用いた1回のランダムサンプリングによって、準ランダム性の数え上げ条件を満たす分割が高確率で得られることを示すこと。

提案手法

• 所望の誤差許容値 $\epsilon$ に応じて、入力グラフとは独立に大きな定数 $\tilde{n}$ を選ぶ。
• 入力グラフとは独立に、増加するサンプルサイズの列 $m_0 \ll m_1 \ll \cdots \ll m_{\tilde{n}-1}$ を定義する。
• 一様にランダムに $n \in \{0, \dots, \tilde{n}-1\}$ を選択し、$m_n$ 個の頂点をグラフから一様にランダムにサンプリングする。
• 各頂点は、$m_n$ 個のサンプル頂点に対する隣接パターンによってラベル付けされ、最大 $2^{m_n} \leq 2^{m_{\tilde{n}-1}}$ 個の部屋に分割される。
• 得られた分割が、高確率で誘導部分グラフの数え上げに基づく準ランダム性条件を満たすことが示される。
• 証明は反復的精錬やエネルギー増加の議論を避けて、テレスコピング期待値と集中不等式に依存する。

実験結果

リサーチクエスチョン

• RQ1 反復的精錬を用いずに、1回のランダムなサンプリングステップのみで、準ランダム性を満たす頂点分割を構築することは可能か？
• RQ2 特定の準ランダム性の定義に依存しない方法で、グラフにおける高確率での正則化を達成することは可能か？
• RQ3 この構築法をシンプルで正しく保ったままハイパーグラフへ一般化することは可能か？
• RQ4 準ランダム性を保証するための最小のランダムサンプル数はいくつか？
• RQ5 ランダムに選ばれたサンプルサイズを用いた1回のランダムサンプリングによって、誘導部分グラフの数え上げ補題を満たす分割が得られるか？

主な発見

• 提案手法は、1回のランダムサンプリングステップのみで、定数サイズの部屋を持つ頂点分割を構築し、高確率で準ランダム性を満たす。
• Szemerédiの元来のエネルギー増加法とは異なり、反復的精錬を回避しており、準ランダム性の定義に依存しない。
• 共同論文[5]で示されるように、この手法はハイパーグラフへ自然に一般化可能であり、ハイパーグラフ正則性の統一的フレームワークを提供する。
• 分割の期待正則性は $\epsilon$ で抑えられ、したがって分割は高確率で $\epsilon$-正則であることが保証される。
• 証明はテレスコピング期待値と集中不等式に依存しており、誘導部分グラフの数え上げにおける誤差が $\epsilon$ で制御されることを示している。
• アルゴリズム的構造がはるかにシンプルで、計算コストも低減されており、正則性補題が達成するのと同じ目的を、はるかに簡素な構造で達成している。