[논문 리뷰] Detecting High Log-Densities -- an O(n^1/4) Approximation for Densest k-Subgraph

Aditya Bhaskara, Moses Charikar외 3명|arXiv (Cornell University)|2010. 01. 17.

Complexity and Algorithms in Graphs참고 문헌 10인용 수 115

한 줄 요약

이 논문은 밀도가 가장 높은 k-부분그래프(Densest k-Subgraph, DkS) 문제에 대해 O(n^{1/4+ε})-근사 알고리즘을 제안하며, 시간 복잡도 O(n^{O(log n)}) 내에서 O(n^{1/4}) 근사 비율을 달성한다. 이 방법은 로그 밀도 분석과 상수 크기의 트리 수를 활용한 지능적인 세기로 밀도가 높은 부분그래프를 식별하며, 무작위 그래프에서 식별 가능한 밀도가 높은 부분그래프 문제의 구분 비율과 동일한 성능을 보인다.

ABSTRACT

In the Densest k-Subgraph problem, given a graph G and a parameter k, one needs to find a subgraph of G induced on k vertices that contains the largest number of edges. There is a significant gap between the best known upper and lower bounds for this problem. It is NP-hard, and does not have a PTAS unless NP has subexponential time algorithms. On the other hand, the current best known algorithm of Feige, Kortsarz and Peleg, gives an approximation ratio of n^(1/3-epsilon) for some specific epsilon > 0 (estimated at around 1/60). We present an algorithm that for every epsilon > 0 approximates the Densest k-Subgraph problem within a ratio of n^(1/4+epsilon) in time n^O(1/epsilon). In particular, our algorithm achieves an approximation ratio of O(n^1/4) in time n^O(log n). Our algorithm is inspired by studying an average-case version of the problem where the goal is to distinguish random graphs from graphs with planted dense subgraphs. The approximation ratio we achieve for the general case matches the distinguishing ratio we obtain for this planted problem. At a high level, our algorithms involve cleverly counting appropriately defined trees of constant size in G, and using these counts to identify the vertices of the dense subgraph. Our algorithm is based on the following principle. We say that a graph G(V,E) has log-density alpha if its average degree is Theta(|V|^alpha). The algorithmic core of our result is a family of algorithms that output k-subgraphs of nontrivial density whenever the log-density of the densest k-subgraph is larger than the log-density of the host graph.

연구 동기 및 목표

• 밀도가 가장 높은 k-부분그래프(DkS) 문제에 대해 기존에 알려진 상한과 하한 사이의 오랜 격차를 해소한다.
• 이전의 O(n^{1/3−ε}) 이론적 근사 비율을 초월하는 다항시간 근사 알고리즘을 개발한다.
• 일반 알고리즘을 설계하기 위해, 무작위 그래프와 식별 가능한 밀도가 높은 부분그래프를 심고 놓은 그래프를 구분하는 평균 케이스 변형 문제를 연구한다.
• 특히 밀도가 높은 경우에 대해, 식별 가능한 부분그래프 모델에서의 구분 임계값과 동일한 근사 비율을 달성한다.
• 특정 매개변수 영역에서 스펙트럴 방법과 준선형계획법(SDP) 리 릴랙세이션을 활용한 알고리즘 개선을 탐색한다.

제안 방법

• 그래프 G의 로그 밀도 α를 평균 차수에 대해 Θ(|V|^α)로 정의하고, 이를 통해 밀도가 높은 부분그래프를 특성화한다.
• 밀도가 높은 k-정점 부분그래프가 주어진 그래프보다 더 높은 로그 밀도를 가질 경우, 이를 식별할 수 있는 알고리즘의 가족을 설계한다.
• 지역 밀도를 추정하고 밀도가 높은 부분그래프의 정점 선택을 이끌기 위해 그래프 내 상수 크기의 트리를 세는 방법을 사용한다.
• k > √n일 경우, 인접행렬의 두 번째 고유값을 활용하여 DkS 문제에서의 구분 능력을 향상시킨다.
• DkS 문제에 대해 SDP 리 릴랙세이션을 제안하고, 무작위 그래프에서 SDP 값의 상한을 증명하며, 이는 k(√D + k²D/n)로, 거의 확실히 성립한다.
• 트리 수 계산과 스펙트럴 및 SDP 기법을 조합하여 다양한 매개변수 영역에서 향상된 근사 비율을 달성한다.

실험 결과

연구 질문

• RQ1 밀도가 가장 높은 k-부분그래프 문제에 대해 다항시간 내에 O(n^{1/4+ε})-근사 알고리즘을 설계할 수 있는가?
• RQ2 무작위 그래프에서 식별 가능한 밀도가 높은 k-정점 부분그래프를 탐지할 수 있는 최선의 구분 비율은 무엇이며, 일반 DkS 설정에서 이를 달성할 수 있는가?
• RQ3 k > √n일 경우 스펙트럴 방법(고유값 분석)과 SDP 리 릴랙세이션은 DkS 문제에서의 근사 보장을 어떻게 향상시키는가?
• RQ4 로그 밀도 프레임워크를 확장하여, 무작위 또는 반무작위 인스턴스와 같은 제한된 설정에서 더 나은 근사 비율을 달성할 수 있는가?
• RQ5 하나의 지수 시간 이하의 시간 복잡도 내에서 O(n^{1/4}) 이하의 근사 비율을 달성하는 것이 가능할까? 현재 기법의 한계는 무엇인가?

주요 결과

• 논문은 임의의 ε > 0에 대해 시간 복잡도 n^{O(1/ε)} 내에서 DkS 문제에 대해 O(n^{1/4+ε})-근사 비율을 달성한다.
• O(n^{O(log n)}) 시간 동안 실행할 경우, 알고리즘은 O(n^{1/4}) 근사 비율을 달성한다.
• 식별 가능한 밀도가 높은 부분그래프 문제의 구분 비율이 일반 알고리즘의 근사 비율과 일치하여, 이 비율이 날카로운 것으로 보인다.
• k > √n일 경우, 두 번째 고유값 방법은 로그 밀도 분석보다 더 나은 구분 임계값을 제공하며, 이는 식별 가능한 부분그래프의 밀도가 √D + kD/n를 초과할 경우 탐지가 가능함을 의미한다.
• 무작위 그래프에서 평균 차수가 D일 때, DkS 문제의 SDP 리 릴랙세이션은 k(√D + k²D/n)의 상한을 가지며, 이는 k > √n 영역에서 로그 밀도 상한보다 향상된 성능을 보인다.
• 알고리즘의 성능는 날카로운 것으로, 현재 알고리즘 기법으로는 다항시간 내에서 o(n^{1/4}) 구분 비율을 달성하는 것은 불가능하다.