[논문 리뷰] Discrepancy in random hypergraph models

Aditya Potukuchi|arXiv (Cornell University)|2018. 11. 05.

Mathematical Approximation and Integration참고 문헌 13인용 수 9

한 줄 요약

이 논문은 두 가지 랜덤 모델인 $χ_1$ (각 정점이 정확히 $t$ 개의 간선에 속하는 $t$-정규 초그래프)와 $χ_2$ (간선 확률 $p$를 가진 i.i.d. 인cidenc 행렬)에서 초그래프의 불균형도를 연구한다. $χ_1$ 모델에서는 $\log^{10}n \ll t \ll \sqrt{n}$ 이고 $m=n$일 때, 불균형도가 거의 확실히 $O(\sqrt{t})$임을 증명하며, 이는 이전의 상한을 향상시킨다. $χ_2$ 모델에서는 $p=1/2$ 이고 $n=\Omega(m\log m)$일 때, 불균형도가 거의 확실히 1 이하임을 보이며, Hoberg와 Rothvoss가 제기한 열린 문제를 해결한다.

ABSTRACT

We study hypergraph discrepancy in two closely related random models of hypergraphs on $n$ vertices and $m$ hyperedges. The first model, $\mathcal{H}_1$, is when every vertex is present in exactly $t$ randomly chosen hyperedges. The premise of this is closely tied to, and motivated by the Beck-Fiala conjecture. The second, perhaps more natural model, $\mathcal{H}_2$, is when the entries of the $m imes n$ incidence matrix is sampled in an i.i.d. fashion, each with probability $p$. We prove the following: 1. In $\mathcal{H}_1$, when $\log^{10}n \ll t \ll \sqrt{n}$, and $m = n$, we show that the discrepancy of the hypergraph is almost surely at most $O(\sqrt{t})$. This improves upon a result of Ezra and Lovett for this range of parameters. 2. In $\mathcal{H}_2$, when $p= \frac{1}{2}$, and $n = Ω(m \log m)$, we show that the discrepancy is almost surely at most $1$. This answers an open problem of Hoberg and Rothvoss.

연구 동기 및 목표

• 두 가지 밀접하게 관련된 모델인 $\mathcal{H}_1$ (t-정규)와 $\mathcal{H}_2$ (i.i.d. 인cidenc)에서 랜덤 초그래프의 불균형도를 분석하는 것.
• $\mathcal{H}_1$ 모델에서 큰 $t$에 대해 기존 상한을 향상시키는 것.
• $p=1/2$ 이고 $n=\Omega(m\log m)$일 때 Hoberg와 Rothvoss가 제기한 $\mathcal{H}_2$의 불균형도에 대한 열린 문제를 해결하는 것.
• $\mathcal{H}_1$에서 $O(\sqrt{t})$ 불균형도 상한을 달성하는 구조적 알고리즘을 제공하는 것.

제안 방법

• Spencer와 Lovett-Meka의 영감을 얻은 부분 색칠 방법을 사용하여 반복적으로 정점을 색칠하고 불균형도를 줄이는 방식.
• 유한한 차이를 가진 마틴게일 농도 추론을 적용하여 랜덤 인cidenc 행렬 위의 선형 형식의 편차를 통제하는 방식.
• 유한한 분산 마틴게일 부등식을 사용하여 인cidenc 행렬의 부분 집합 위에서 부호가 붙은 원소의 합이 평균 주위에 집중됨을 보이는 방식.
• 큰 외란을 분리하고 유한하게 제한하기 위해 인cidenc 행렬을 저영향 및 고영향 부분으로 구조적으로 분해하는 방식.
• $\mathcal{H}_1$에서 큰 초간선을 다루기 위해 수정된 Lovász Local Lemma 프레임워크를 사용하여 그들의 불균형도가 작게 유지됨을 보장하는 방식.
• 부분 색칠 보조정을 통한 구조적 알고리즘을 수립하며, 런타임은 랜덤화된 $\text{poly}(n)$ 시간 내에 수행됨.

실험 결과

연구 질문

• RQ1 큰 $t$ 이지만 $t \ll \sqrt{n}$ 이고 $m=n$일 때, 랜덤 $t$-정규 초그래프의 일반적인 불균형도는 무엇인가요?
• RQ2 Beck-Fiala 추측에서 유도된 $O(\sqrt{t})$ 불균형도 상한이 이 매개터 범위에서 랜덤 $t$-정규 초그래프에서 달성될 수 있는가요?
• RQ3 i.i.d. $\text{Bernoulli}(1/2)$ 인cidenc 요소를 가진 랜덤 초그래프에서 $n=\Omega(m\log m)$일 때 불균형도는 무엇인가요?
• RQ4 이 모델에서 불균형도 1을 달성할 수 있으며, 이는 Hoberg와 Rothvoss가 제기한 열린 문제를 해결하는가요?
• RQ5 구조적 부분 색칠 방법을 어떻게 수정하여 랜덤 초그래프 모델에서 불균형도 최소화를 위한 효율적인 알고리즘을 도출할 수 있는가요?

주요 결과

• $\mathcal{H}_1$ 모델에서 $C_1\log^{10}n \ll t \ll \sqrt{n}$ 이고 $m=n$일 때, 불균형도는 거의 확실히 $O(\sqrt{t})$ 이하이며, 이는 Ezra와 Lovett의 $O(\sqrt{t\log t})$ 상한을 향상시킨다.
• $O(\sqrt{t})$ 불균형도 상한은 랜덤화된 $\text{poly}(n)$ 시간 내에 수행되는 구조적 알고리즘을 통해 달성된다.
• $\mathcal{H}_2$ 모델에서 $p=1/2$ 이고 $n=\Omega(m\log m)$일 때, 불균형도는 거의 확실히 1 이하이며, Hoberg와 Rothvoss의 열린 문제를 해결한다.
• 증명은 유한한 차이와 분산을 가진 마틴게일 농도 추론에 기반하며, 인cidenc 행렬의 구조적 부분 집합 위에서 부호가 붙은 원소의 합이 평균 주위에 매우 견고하게 집중됨을 보여준다.
• 분석 결과, 랜덤 행렬 요소가 불균형도에 기여하는 기대치는 $O(\sqrt{t})$ 이하로 제한되며, 유한한 분산 마틴게일 부등식에 의해 고확률 집중이 유도된다.
• $\mathcal{H}_2$의 결과는 $p=1/2$ 이고 간선 수 대비 정점 수가 충분히 많을 경우, 랜덤 초그래프가 거의 확실히 최적에 가까운 불균형도 1을 가지며, 이는 고확률로 성립함을 시사한다.