[論文レビュー] Poisson Cloning Model for Random Graphs

Jeong Han Kim|ArXiv.org|May 27, 2008

Constraint Satisfaction and Optimization参考文献 32被引用数 7

ひとこと要約

本稿は、頂点の次数が平均 λ = p(n−1) の i.i.d. ポアソン確率変数である Poisson クローンモデル G_PC(n,p) を導入し、古典的な G(n,p) モデルと漸近的に同等であることを示している。著者らは、新規のカットオフラインアルゴリズムを用いて、最大成分および t コアのサイズに関する鋭い境界を導出し、分岐過程の近似とポアソン分布の性質を用いて、より優れた、本質的に最適な結果を達成した。

ABSTRACT

In the random graph $G(n,p)$ with $pn$ bounded, the degrees of the vertices are almost i.i.d Poisson random variables with mean $\gl:= p(n-1)$. Motivated by this fact, we introduce the Poisson cloning model $G_{PC} (n,p)$ for random graphs in which the degrees are i.i.d Poisson random variables with mean $\gl$. Then, we first establish a theorem that shows the new model is equivalent to the classical model $G(n,p)$ in an asymptotic sense. Next, we introduce a useful algorithm, called the cut-off line algorithm, to generate the random graph $G_{PC} (n,p)$. The Poisson cloning model $G_{PC}(n,p)$ equipped with the cut-off line algorithm enables us to very precisely analyze the sizes of the largest component and the $t$-core of $G(n,p)$. This new approach to the problems yields not only elegant proofs but also improved bounds that are essentially best possible. We also consider the Poisson cloning models for random hypergraphs and random $k$-SAT problems. Then, the $t$-core problem for random hypergraphs and the pure literal algorithm for random $k$-SAT problems are analyzed.

研究の動機と目的

• p(n−1) が有界である場合に G(n,p) における最大成分および t コアの解析を困難にする古典的手法の技術的障壁に対処すること。
• 次数が i.i.d. ポアソン(λ) である新しいランダムグラフモデル G_PC(n,p) を開発し、漸近的解析を簡素化すること。
• G_PC(n,p) の生成に効率的かつ解析的に扱いやすい方法として、カットオフラインアルゴリズムを導入すること。
• ポアソンに基づく分岐過程の近似を用いて、G(n,p) における最大成分および t コアのサイズに対して、より鋭く、本質的に最適な境界を提供すること。
• フレームワークをランダムハイパーグラフおよびランダム k-SAT 問題に拡張し、t コアおよび純粋な論理的アルゴリズムの性能解析を可能にすること。

提案手法

• 各頂点が独立にポアソン(λ) 個のクローンを生成し、クローン同士を一様にランダムにペアで接続することで構築される Poisson クローンモデル G_PC(n,p) を提案する。
• クローンに割り当てられたランダムな数の順に処理し、しきい値まで接続することで、G_PC(n,p) を効率的にシミュレートするカットオフラインアルゴリズムを導入する。
• G(n−1,p) が λ = p(n−1) のときポアソン(λ) に収束することを応用し、ポアソン(λ) の後代分布を用いたガルトン＝ワトソン分岐過程を成分の成長をモデル化するために用いる。
• ポアソンおよび二項分布の集中および尾部の境界を適用し、大きな成分や t コアの出現確率を制御する。
• モデルをカップリングすることで、G(n,p) と G_PC(n,p) の間で漸近的同等性を確立し、成分およびコアのサイズにおける同一の極限的挙動を示す。
• ハイパーグラフおよび k-SAT に拡張する際には、(d_i)-セルを定義し、純粋な論理的アルゴリズムの解析をポアソン近似とカットオフライン論理を用いて行う。

実験結果

リサーチクエスチョン

• RQ1 次数が i.i.d. ポアソン確率変数であるモデルを用いることで、G(n,p) における最大成分サイズを、改善され、近似的に最適な境界で解析可能か？
• RQ2 ポアソンクローンモデル G_PC(n,p) は、古典的な G(n,p) モデルの厳密で漸近的同等の代替手段を提供するか？
• RQ3 カットオフラインアルゴリズムは、G_PC(n,p) の効率的生成と、成分および t コアのサイズの精密な解析を可能にするか？
• RQ4 ランダムハイパーグラフにおける t コアの構造は、ポアソンクローンフレームワーク下でどのように振る舞うか？
• RQ5 純粋な論理的アルゴリズムのランダム k-SAT 問題の性能は、ポアソンクローンモデルとカットオフライン技術を用いて解析可能でかつ境界付け可能か？

主な発見

• p(n−1) = λ が有界であるとき、ポアソンクローンモデル G_PC(n,p) は G(n,p) と漸近的に同等であり、成分サイズの厳密な解析を可能にする。
• λ = 1 + ε で |ε| = O(n^{-1/3}) のとき、G(n,p) の最大成分サイズは Ω(K^{-2}n^{2/3} log K) であり、どの成分のサイズも O(Kn^{2/3}) を超えない。K は大きな定数である。
• カットオフラインアルゴリズムにより、成分成長の精密な制御が可能となり、指数的に小さい誤差確率を持つ境界の導出が可能である。例えば、k = Θ(ε^{-2} log(ε³n)) のとき、Pr[成分サイズ > k] = Ω(e^{c}/(ε²n)) が成り立つ。
• t コアは、巨大成分とほぼ同じ閾値で鋭く出現することが示され、その境界は本質的に最良のものである。
• フレームワークはランダムハイパーグラフおよび k-SAT に拡張可能であり、同様のポアソンに基づく分岐過程近似を用いて純粋な論理的アルゴリズムの性能を解析できる。
• このモデルは、極限分布としてポアソンが小スケールの揺らぎを排除することで解析を簡素化することを示しており、n → ∞ のとき G(n,p) に無限ランダムグラフの極限が存在する可能性を示唆している。