[논문 리뷰] Cut Sparsification of the Clique Beyond the Ramanujan Bound.

Antares Chen, Jonathan Shi외 1명|arXiv (Cornell University)|2020. 08. 13.

Graph theory and applications인용 수 1

한 줄 요약

이 논문은 무작위 $d$-정규 그래프가 클리크의 컷 스파르스피어로써 근사 오차가 최대 $(2\sqrt{2/\pi} + o_{n,d}(1))/\sqrt{d} \approx 1.595/\sqrt{d}$임을 입증하며, 평균 차수 $d$를 가진 스펙트럴 스파르스피어는 최소 $(2 - o_{n,d}(1))/\sqrt{d}$의 오차를 요구함을 보여, 라만두잔 경계를 초월해 컷과 스펙트럴 스파르스피어 간의 근본적인 분리가 존재함을 시사한다.

ABSTRACT

We prove that a random $d$-regular graph, with high probability, is a cut sparsifier of the clique with approximation error at most $\left(2\sqrt{\frac 2 \pi} + o_{n,d}(1) ight)/\sqrt d$, where $2\sqrt{\frac 2 \pi} = 1.595\ldots$ and $o_{n,d}(1)$ denotes an error term that depends on $n$ and $d$ and goes to zero if we first take the limit $n ightarrow \infty$ and then the limit $d ightarrow \infty$. This is established by analyzing linear-size cuts using techniques of Jagannath and Sen \cite{jagannath2017unbalanced} derived from ideas from statistical physics and analyzing small cuts via martingale inequalities. We also prove that every spectral sparsifier of the clique having average degree $d$ and a certain high pseudo-girth property has an approximation error that is at least the $(2-o_{n,d}(1))/\sqrt d$, which is met by $d$-regular Ramanujan graphs, generalizing a lower bound of Srivastava and Trevisan \cite{ST18}. Together, these results imply a separation between spectral sparsification and cut sparsification. If $G$ is a random $\log n$-regular graph on $n$ vertices, we show that, with high probability, $G$ admits a (weighted subgraph) cut sparsifier of average degree $d$ and approximation error at most $(1.595\ldots + o_{n,d}(1))/\sqrt d$, while every (weighted subgraph) spectral sparsifier of $G$ having average degree $d$ has approximation error at least $(2-o_{n,d}(1))/\sqrt d$.

연구 동기 및 목표

• 완전 그래프(클리크)의 컷 스파르스피어 근사 오차가 평균 차수 $d$에 따라 어떻게 변하는지 조사하기.
• 특히 고확률 영역에서 무작위 $d$-정규 그래프가 클리크의 컷 스파르스피어로서 어떻게 작동하는지 분석하기.
• 고가상지름을 가진 클리크의 스펙트럴 스파르스피어에 대한 근사 오차의 하한을 설정하기, 이는 이전 결과를 일반화함.
• 동일한 평균 차수 $d$에서 컷 스파르스피어와 스펙트럴 스파르스피어의 최소 달성 가능한 근사 오차를 비교하여, 이들의 성능 간의 분리를 입증하기.

제안 방법

• 통계역학에서 유래한 기법들을 활용해 잡난아스와 센(Jagannath and Sen, 2017)의 결과를 활용해 무작위 $d$-정규 그래프의 선형 크기 컷을 분석한다.
• 작은 컷의 농도를 제어하기 위해 마틴게일 부등식을 적용한다.
• 무작위 $d$-정규 그래프에 대해 컷 스파르스피어 오차의 상한을 $\left(2\sqrt{2/\pi} + o_{n,d}(1)\right)/\sqrt{d}$로 유도한다.
• 고가상지름을 가진 클리크의 스펙트럴 스파르스피어에 대해 $(2 - o_{n,d}(1))/\sqrt{d}$의 하한을 설정한다.
• 컷 스파르스피어와 스펙트럴 스파르스피어의 오차 범위를 비교하여 성능 간의 분리를 입증한다.
• 오차 항 $o_{n,d}(1)$의 점근적 행동을 정당화하기 위해 $n \to \infty$ 후 $d \to \infty$의 극한을 취한다.

실험 결과

연구 질문

• RQ1 평균 차수 $d$를 가진 클리크의 컷 스파르스피어가 달성할 수 있는 최소 근사 오차는 무엇인가?
• RQ2 무작위 $d$-정규 그래프는 라만두잔 경계를 초월해 더 낮은 컷 스파르스피어 오차를 달성할 수 있는가?
• RQ3 고가상지름과 평균 차수 $d$를 가진 클리크의 스펙트럴 스파르스피어가 달성할 수 있는 최소 근사 오차는 무엇인가?
• RQ4 컷 스파르스피어와 스펙트럴 스파르스피어의 성능 간에 증명 가능한 분리가 존재하는가?
• RQ5 모든 $n \to \infty$ 및 $d \to \infty$에서 컷 스파르스피어와 스펙트럴 스파르스피어의 점근적 행동은 어떻게 비교되는가?

주요 결과

• 무작위 $d$-정규 그래프는 고확률로 최대 $\left(2\sqrt{2/\pi} + o_{n,d}(1)\right)/\sqrt{d} \approx (1.595 + o_{n,d}(1))/\sqrt{d}$의 컷 스파르스피어 근사 오차를 달성한다.
• 이 상한은 스펙트럴 스파르스피어에서 최적임이 알려진 라만두잔 경계를 향상시킨다.
• 평균 차수 $d$와 고가상지름을 가진 클리크의 모든 스펙트럴 스파르스피어는 최소 $(2 - o_{n,d}(1))/\sqrt{d}$의 근사 오차를 가져야 한다.
• 논문은 컷 스파르스피어와 스펙트럴 스파르스피어 간의 분리를 확립한다: 동일한 평균 차수 $d$에서 컷 스파르스피어는 스펙트럴 스파르스피어보다 더 낮은 오차를 달성할 수 있다.
• 무작위 $\log n$-정규 그래프의 경우, 평균 차수 $d$와 오차 $\leq (1.595 + o_{n,d}(1))/\sqrt{d}$를 가진 컷 스파르스피어가 고확률로 존재한다.
• 스펙트럴 스파르스피어에 대한 $(2 - o_{n,d}(1))/\sqrt{d}$ 하한은 스펙트럴 스파르스피어의 결과를 고가상지름을 가진 그래프로 일반화한 것이다.