[논문 리뷰] Combinatorial Approximation Algorithms for MaxCut using Random Walks

Satyen Kale, C. Seshadhri|arXiv (Cornell University)|2010. 08. 23.

Complexity and Algorithms in Graphs참고 문헌 17인용 수 13

한 줄 요약

이 논문은 스펙트럴 방법을 시뮬레이션하기 위해 간단한 랜덤 워크를 사용하여 0.5 approximation 장벽을 일정 요인만큼 초월하는 최초의 조합적 근사 알고리즘을 제시한다. 임의의 $ b > 1.5 $에 대해 $ \widetilde{O}(n^b) $ 시간 내에 $ (0.5 + \delta) $-근사값을 달성하며, $ \delta = \delta(b) > 0 $ 이다. 이는 랜덤 워크 샘플링과 혼합 성질에 기반한 새로운 국소 그래프 분할 절차를 결합함으로써 달성된다.

ABSTRACT

We give the first combinatorial approximation algorithm for Maxcut that beats the trivial 0.5 factor by a constant. The main partitioning procedure is very intuitive, natural, and easily described. It essentially performs a number of random walks and aggregates the information to provide the partition. We can control the running time to get an approximation factor-running time tradeoff. We show that for any constant b > 1.5, there is an O(n^{b}) algorithm that outputs a (0.5+delta)-approximation for Maxcut, where delta = delta(b) is some positive constant. One of the components of our algorithm is a weak local graph partitioning procedure that may be of independent interest. Given a starting vertex $i$ and a conductance parameter phi, unless a random walk of length ell = O(log n) starting from i mixes rapidly (in terms of phi and ell), we can find a cut of conductance at most phi close to the vertex. The work done per vertex found in the cut is sublinear in n.

연구 동기 및 목표

• MaxCut의 단순한 0.5 근사값 요인을 초월하는 조합적 알고리즘을 개발하는 것. 이는 이전까지 달성되지 못한 바이다.
• 수치적 행렬 계산(예: 고유벡터 계산)을 단순한 랜덤 워크와 정수 연산으로 대체하는 것.
• 실행 시간/근사값 요인 간의 트레이드오���를 제공하여, 2차 이하 시간 내에 0.5를 초월하는 근사값을 달성하는 것.
• 각 정점당 부분선형 작업으로 수행 가능한, 낮은 도전도를 가진 컷을 찾거나 랜덤 워크의 빠른 혼합을 증명하는 국소 그래프 분할 절차를 설계하는 것.

제안 방법

• 각 정점에서 로그 길이의 다수의 랜덤 워크를 사용하여 특정 정점에 도달할 확률을 추정함으로써, 스펙트럴 계산을 샘플링으로 대체한다.
• 랜덤 워크 결과를 바탕으로 한 '부호 뒤집기' 히ュ리스틱을 적용하며, 이는 그래프 라플라시안에 대한 파wer 메서드를 시뮬레이션하는 것으로 밝혀졌다.
• 약한 국소 분할 절차를 설계함: 주어진 정점과 도전도 파rameter $ \phi $에 대해, 도전도가 $ \phi $ 이하인 컷을 찾거나, 길이 $ O(\log n) $의 랜덤 워크가 잘 혼합되었음을 증명한다.
• 랜덤 워크 행동에 따라 그래프를 부분그래프로 분할하고, 각 구성요소 내의 추정된 최대 컷 값에 따라 간선을 잘라낸다.
• 확률을 표본에서 추정하기 위해 농도 경계를 사용하여 고도의 확률로 정확성을 확보한다.
• 최종 컷은 부분그래프에서의 컷들을 조합하고 나머지 간선의 절반을 잘라내어 구성되며, 이의 성능은 바이너리 엔트로피 함수 $ H(\cdot) $ 의 볼록성에 의해 경계된다.

실험 결과

연구 질문

• RQ1 수치적 선형대수학에 의존하지 않고, 순수한 조합적 알고리즘으로 MaxCut의 0.5 근사값 요인을 초월할 수 있는가?
• RQ2 행렬 지수 또는 고유벡터 계산 없이, 랜덤 워크와 샘플링만으로 스펙트럴 방법(예: 파워 메서드)을 시뮬레이션할 수 있는가?
• RQ3 각 정점당 부분선형 작업으로 수행 가능한 국소 분할 알고리즘을 설계할 수 있으며, 이는 여전히 양호한 도전도 보장을 유지하는가?
• RQ4 이러한 조합적 MaxCut 알고리즘에서 실행 시간과 근사비율 간의 트레이드오프는 어떠한가?
• RQ5 이 접근법은 MaxCut을 초월한 다른 2-CSP 문제로 일반화될 수 있는가?

주요 결과

• 임의의 상수 $ b > 1.5 $에 대해, 알고리즘은 $ \widetilde{O}(n^b) $ 시간 내에 $ (0.5 + \delta) $-근사값을 달성하며, $ \delta = \delta(b) > 0 $ 이다.
• $ \widetilde{O}(n^{1.6}) $ 에서 알고리즘은 근사값 요인 $ 0.5051 $ 을 달성한다; $ \widetilde{O}(n^2) $ 에서는 $ 0.5155 $ 를 달성하며, $ \widetilde{O}(n^3) $ 에서는 $ 0.5727 $ 을 달성한다.
• 알고리즘의 분석은 랜덤 워크 기반 히ュ리스틱이 그래프 라플라시안에 대한 파워 메서드를 효과적으로 시뮬레이션하며, 좋은 시작 벡터를 얻을 확률이 일정 수준임을 보여준다.
• 국소 분할 절차는 정점당 부분선형 작업을 보장하며, 낮은 도전도 컷을 찾거나 주어진 정점에서의 랜덤 워크의 빠른 혼합을 증명한다.
• 근사비율은 $ \max_{\varepsilon_1} \min_\varepsilon \max[1/(2(1-\varepsilon)), \text{OBJ}(\varepsilon, \varepsilon_1)] $ 이하로 경계되며, 여기서 $ \text{OBJ} $ 는 간선 분포 및 컷 품질에 대한 제약 조건 하에서 최소화된다.
• $ b \to \infty $ 일 때, 근사비율은 트레비스안의 알고리즘의 값($ 0.6142 $)으로 수렴하며, 이는 알고리즘이 알려진 스펙트럴 경계에 대해 확장 가능함을 보여준다.