[논문 리뷰] Approximation Algorithms for Hypergraph Small Set Expansion and Small Set Vertex Expansion

Anand Louis, Yury Makarychev|arXiv (Cornell University)|2014. 04. 17.

VLSI and FPGA Design Techniques참고 문헌 13인용 수 14

한 줄 요약

이 논문은 새로운 정규화된 정수기반 반복 최적화(SDP) 이론과 랜덤 프로젝션 및 초입방식 샘플링 기반의 랜덤화 라운딩 기법을 결합한, 초그래프 소작업 확장(H-SSE) 및 소작업 정점 확장 문제에 대한 근사 알고리즘을 제시한다. H-SSE에 대해 $\tilde{O}(\delta^{-1}\sqrt{\log n})$의 근사 비율을 달성하며, $r$-균일 초그래프에서 최대 차수와 균일성에 대한 보다 정교한 경계를 제공한다. 이는 $\delta = 1/2$일 때 기존 그래프 결과와 동일한 최고 수준의 성능을 달성한다. 주요 기여는 ARV 프레임워크를 초그래프로 확장하여 소작업 확장에 대해 증명 가능한 보장을 제공하는 데 있다.

ABSTRACT

The expansion of a hypergraph, a natural extension of the notion of expansion in graphs, is defined as the minimum over all cuts in the hypergraph of the ratio of the number of the hyperedges cut to the size of the smaller side of the cut. We study the Hypergraph Small Set Expansion problem, which, for a parameter $δ\in (0,1/2]$, asks to compute the cut having the least expansion while having at most $δ$ fraction of the vertices on the smaller side of the cut. We present two algorithms. Our first algorithm gives an $ ilde O(δ^{-1} \sqrt{\log n})$ approximation. The second algorithm finds a set with expansion $ ilde O(δ^{-1}(\sqrt{d_{ ext{max}}r^{-1}\log r\, ϕ^*} + ϕ^*))$ in a $r$--uniform hypergraph with maximum degree $d_{ ext{max}}$ (where $ϕ^*$ is the expansion of the optimal solution). Using these results, we also obtain algorithms for the Small Set Vertex Expansion problem: we get an $ ilde O(δ^{-1} \sqrt{\log n})$ approximation algorithm and an algorithm that finds a set with vertex expansion $O\left(δ^{-1}\sqrt{ϕ^V \log d_{ ext{max}} } + δ^{-1} ϕ^V ight)$ (where $ϕ^V$ is the vertex expansion of the optimal solution). For $δ=1/2$, Hypergraph Small Set Expansion is equivalent to the hypergraph expansion problem. In this case, our approximation factor of $O(\sqrt{\log n})$ for expansion in hypergraphs matches the corresponding approximation factor for expansion in graphs due to ARV.

연구 동기 및 목표

• 초그래프로의 그래프 확장의 자연스러운 일반화인 초그래프 소작업 확장(H-SSE) 문제에 대한 효율적인 근사 알고리즘을 개발하는 것.
• 그래프 확장의 ARV 프레임워크를 초그래프로 확장하여, 특히 크기가 제한된 소작업 확장에 대해 적용하는 것.
• 최대 차수 $d_{\text{max}}$, 균일성 $r$, 최적의 확장 $\phi^*$와 같은 구조적 파라미터에 따라 달라지는 근사 보장을 제공하는 것.
• VLSI 설계, 과학 계산, 병렬 컴퓨팅 등 광범위한 실용적 응용이 있는 바에도 불구하고, 초그래프 확장에 대한 이론적 연구가 부족한 점을 보완하는 것.

제안 방법

• 정점의 벡터 표현을 사용하여 초간선 컷을 통한 확장을 모델링하는 초그래프 소작업 확장(H-SSE) 문제에 대한 정규화된 정수기반 반복 최적화(SDP) 이론을 수립한다.
• 랜덤 프로젝션과 벡터 노름의 임계값을 조합하여 집합 $S$를 선택하는 랜덤화 라운딩 절차를 설계한다.
• 각 정점은 그가 프로젝션된 레이블과 노름 임계값에 따라 포함되는 랜덤 분할을 정의하기 위해 랜덤 초입방 $\{0,1\}^l$을 사용한다.
• 프로젝션된 벡터 간의 거리 분석과 Johnson-Lindenstrauss 보조정리에 기반한 농도 집중 불등식을 통해 초간선이 잘려나가는 확률을 제한한다.
• 정점 선택 확률을 제어하기 위해 $\alpha = \max(1/2^l, 1/n)$을 도입하여 정점 간 균형 잡힌 샘플링을 보장한다.
• 유니온 바운드와 尾부 추정을 적용하여 초간선이 잘려나가는 확률를 제어하고, 결과적으로 $\tilde{O}(\delta^{-1}\sqrt{\log n})$의 근사 비율을 도출한다.

실험 결과

연구 질문

• RQ1 그래프 소작업 확장에 대해 ARV 알고리즘이 달성하는 $O(\sqrt{\log n})$ 근사 비율을 초그래프로 확장할 수 있는가?
• RQ2 초간선의 크기가 임의일 경우, 초그래프 소작업 확장에 대해 어떤 근사 보장을 달성할 수 있는가?
• RQ3 최대 차수 $d_{\text{max}}$와 균일성 $r$은 초그래프 소작업 확장의 근사 비율에 어떤 영향을 미치는가?
• RQ4 문제의 정점 확장 변형도 유사한 보장을 통해 근사 가능할 수 있는가?

주요 결과

• 논문은 초그래프 소작업 확장 문제에 대해 $\tilde{O}(\delta^{-1}\sqrt{\log n})$의 근사 알고리즘을 제시하며, $\delta = 1/2$일 때 기존 그래프 결과와 동일한 최고 수준의 성능을 달성한다.
• $r$-균일 초그래프에서 최대 차수 $d_{\text{max}}$를 고려할 경우, 알고리즘은 $\tilde{O}(\delta^{-1}(\sqrt{d_{\text{max}} r^{-1} \log r \cdot \phi^*} + \phi^*))$의 확장 경계를 달성한다. 여기서 $\phi^*$는 최적의 확장이다.
• 소작업 정점 확장 문제에 대해서도 $\tilde{O}(\delta^{-1}\sqrt{\log n})$의 근사 비율을 확보하여 결과를 정점 기반 확장으로 확장한다.
• 크기가 $(1+\varepsilon)\delta n$ 이하인 집합을 찾을 수 있으며, 그 확장은 $O_\varepsilon(\delta^{-1}\log\delta^{-1}\log\log\delta^{-1}\sqrt{\log n}\cdot\phi^*)$ 이하이다. 고정된 $\varepsilon$와 $\delta$에 대해 이는 $\tilde{O}(\delta^{-1}\sqrt{\log n})$로 단순화된다.
• 분석은 랜덤 프로젝션과 초입방 샘플링 기반의 새로운 라운딩 기법을 사용하며, 벡터 간 거리와 노름 집중에 기반한 확률적 경계를 도출한다.
• 기존의 그래프로의 감소 방법에 비해, 일반적인 초그래프에 대해 $O(n\sqrt{\log n\log(1/\delta)})$의 근사 비율을 얻는 데 그치는 반면, 본 논문은 직접적인 초그래프 방법을 제시하여 성능을 향상시켰다.