[論文レビュー] Approximation Algorithms for Low-Density Graphs.

Sariel Har-Peled, Kent Quanrud|arXiv (Cornell University)|Jan 4, 2015

Complexity and Algorithms in Graphs参考文献 49被引用数 4

ひとこと要約

本稿は、低次元ユークリッド空間内の低密度オブジェクトの積集合グラフにおいて、基本的なNP困難問題—独立集合、集合被覆、支配集合—のための効率的な(1+ε)-近似アルゴリズムを導入する。このようなグラフが小さな分離集合を有することを確立し、より良い近似保証を可能にするとともに、密度依存の困難性結果によって不条理性を特徴づける。

ABSTRACT

We study the family of intersection graphs of low density objects in low dimensional Euclidean space. This family is quite general, and includes planar graphs. We prove that such graphs have small separators. Next, we present efficient $(1+\varepsilon)$-approximation algorithms for these graphs, for Independent Set, Set Cover, and Dominating Set problems, among others. We also prove corresponding hardness of approximation for some of these optimization problems, providing a characterization of their intractability in terms of density.

研究の動機と目的

• 低次元ユークリッド空間内の低密度積集合グラフにおける、主要なNP困難最適化問題のための効率的近似アルゴリズムの開発。
• これらの問題の困難性を、それらの近似困難さとグラフの密度とを関連付けることで特徴づけること。
• 低密度積集合グラフが小さな分離集合を有することを証明し、これによりアルゴリズムの性能が向上することを示すこと。
• 独立集合、集合被覆、支配集合を含む複数の問題における近似結果を、共通の幾何的密度フレームワークの下で統合的かつ拡張的に扱うこと。

提案手法

• 低次元ユークリッド空間内の低密度オブジェクトの幾何的性質を活用し、特に小さな分離集合を含む構造的グラフ性質を確立する。
• 小さな分離集合に基づく再帰的分解戦略を適用し、効率的な近似アルゴリズムを設計する。
• 独立集合や支配集合のような問題に対して、シフト戦略または局所探索技術を用いて(1+ε)-近似を達成する。
• 低密度グラフ上の集合被覆問題を、密度が有界な階層的クラスタリングまたはパッキング問題に還元する。
• 近似比がグラフのサイズに依存せず、εと密度パラメータにのみ依存することを証明する。
• 既知の困難な問題への還元を用いて、近似困難性の結果を確立する。密度パラメータをパrameter化した形で。

実験結果

リサーチクエスチョン

• RQ1 低次元ユークリッド空間内の低密度積集合グラフにおいて、独立集合、集合被覆、支配集合のための効率的(1+ε)-近似アルゴリズムを設計できるか？
• RQ2 低密度積集合グラフのどのような構造的性質が、特に分離集合のサイズに関連して、より良い近似保証を可能にするのか？
• RQ3 基礎的なNP困難問題の近似困難性は、基礎となる幾何的オブジェクトの密度によってどのように影響を受けるか？
• RQ4 近似比をグラフサイズに依存させず、近似的最適性を維持する範囲はどの程度まで拡張可能か？
• RQ5 これらの問題において、近似の可解性から困難性への急激な遷移を示す密度依存の閾値は存在するか？

主な発見

• 低次元ユークリッド空間内の低密度積集合グラフは、小さな分離集合を有しており、これにより再帰的分解とアルゴリズム性能の向上が可能である。
• 本稿では、このようなグラフ上で独立集合、集合被覆、支配集合のための(1+ε)-近似アルゴリズムを提示し、その性能はグラフサイズに依存しない。
• 近似品質はεによって定量的に制限されており、アルゴリズムは入力サイズと1/εに関して多項式時間で実行される。
• 近似困難性の結果が確立され、特定の密度において、P=NPでない限り(1+ε)-近似が存在しないことが示された。これにより、密度に基づいた不条理性の特徴づけがなされた。
• このフレームワークにより、複数の問題における近似結果が統合され、低幾何的密度が広範な問題クラスにおいて近似的最適解を可能にすることが示された。
• 低密度オブジェクトが小さな分離集合を生じることという構造的洞察は、本稿で取り上げた特定の問題を超えて、近似アルゴリズム設計の一般的手法を提供する。