[論文レビュー] Node-Weighted Multicut in Planar Digraphs

Chandra Chekuri, Rhea Jain|arXiv (Cornell University)|Jan 27, 2026

Complexity and Algorithms in Graphs被引用数 0

ひとこと要約

論文は Kawarabayashi–Sidiropoulos の結果をノード重み付き Multicut に拡張し、 directed planar graphs で自然な LP を用いて決定論的な O(log^2 n) 近似を提供する；また planar digraphs のノード重み付き Sparsest Cut に対して O(log^3 n) 近似も得る。

ABSTRACT

Kawarabayashi and Sidiropoulos [KS22] obtained an $O(\log^2 n)$-approximation algorithm for Multicut in planar digraphs via a natural LP relaxation, which also establishes a corresponding upper bound on the multicommodity flow-cut gap. Their result is in contrast to a lower bound of $\tildeΩ(n^{1/7})$ on the flow-cut gap for general digraphs due to Chuzhoy and Khanna [CK09]. We extend the algorithm and analysis in [KS22] to the node-weighted Multicut problem. Unlike in general digraphs, node-weighted problems cannot be reduced to edge-weighted problems in a black box fashion due to the planarity restriction. We use the node-weighted problem as a vehicle to accomplish two additional goals: (i) to obtain a deterministic algorithm (the algorithm in [KS22] is randomized), and (ii) to simplify and clarify some aspects of the algorithm and analysis from [KS22]. The Multicut result, via a standard technique, implies an approximation for the Nonuniform Sparsest Cut problem with an additional logarithmic factor loss.

研究の動機と目的

• Directed planar graphs におけるノード重み付き multicut と sparsest cut の動機付けと研究。
• エッジ重み付きからノード重み付き設定へと LP ベースの近似フレームワークを一般化し、平面性に基づく技法を維持。
• 以前のランダム化アプローチを置換する決定論的アルゴリズムを提供し、核心解析ステップを明確化。
• ノード重み付き Multicut の結果が、追加の対数因子を伴うノード重み付き Sparsest Cut の推論を導くことを示す。

提案手法

• ノード重み付き Multicut の標準的なヒット集合 LP 緩和と最大スループット多商品フローとの対偶関係を用いる。
• x_v をノード長として解釈し、決定論的なリージョン成長に基づく丸めを設計して、確率境界を決定論的保証へ翻訳する。
• グラフを delta 境界の層に分割するためのレイヤリング分解を開発し、マイナー操作を用いて平面性を保持する。
• 分離器として平面セパレーター（3 本の有向パス）を適用し、セparator 周囲の領域を切り、成分ごとに再帰する。
• ランダム化された Bartal 的なボール成長ステップを決定論的なリージョン成長補題に置換して、完全に決定論的なアルゴリズムを得る。
• 平面性を保持・活用して、長い s_i-t_i 経路を切断しつつ LP 解によって総コストを制御する。

実験結果

リサーチクエスチョン

• RQ1 平面有向グラフに対する LP ベースの Multicut の近似を、エッジ重みに加えてノード重み付き設定へ拡張して近似保証を失わずに行えるか。
• RQ2 平面有向グラフにおけるノード重み付き Multicut の同じ O(log^2 n) 因子を持つ決定論的アルゴリズムを得ることは可能か。
• RQ3 ノード重み付き Multicut の結果は、ノード重み付き Sparsest Cut の平面有向グラフへの系を拡張し、どの近似因子になるか。
• RQ4 平面セパレーターとリージョン成長技術は、 Directed planar graphs におけるノード重み付き Multicut の厳密な保証を達成するうえでどのような役割を果たすか。

主な発見

• ノード重み付き Multicut を平面有向グラフで自然な LP 緩和を用いて効率的な決定論的 O(log^2 n)-近似アルゴリズムが存在する。
• ノード重み付き Multicut の結果は、自然な LP 緩和を用いることでノード重み付き Sparsest Cut に対して O(log^3 n)-近似を与える（標準 LP 還元を介して）。
• 決定論的なリージョン成長フレームワークが、従来のランダム部分を置換し、ノード重みに対する分析をより明確かつ拡張可能にする。
• レイヤリングと平面セパレーター技法は、ノード重み付き設定へ適用され、コストの成長を制御しつつ平面性をミニア操作で保持する。
• この手法は、ランダム化アルゴリズムの核となる考え方を統一的に明確化し、決定論的にしつつ、同じ漸近的近似因子を維持する。