Skip to main content
QUICK REVIEW

[논문 리뷰] Expander Decomposition with Almost Optimal Overhead

Nikhil Bansal, Arun Jambulapati|arXiv (Cornell University)|2026. 02. 16.
Complexity and Algorithms in GraphsComputer Science인용 수 0
한 줄 요약

다항 시간 알고리즘을 제공하여 거의 최적의 flow-expander 분해를 계산하고, 모든 구성요소에서 phi m회까지의 오버헤드 log(n) exp(O(sqrt(log log n)))를 제거하여 phi-flow-expanders를 얻는다.

ABSTRACT

We present the first polynomial-time algorithm for computing a near-optimal \emph{flow}-expander decomposition. Given a graph $G$ and a parameter $ϕ$, our algorithm removes at most a $ϕ\log^{1+o(1)}n$ fraction of edges so that every remaining connected component is a $ϕ$-\emph{flow}-expander (a stronger guarantee than being a $ϕ$-\emph{cut}-expander). This achieves overhead $\log^{1+o(1)}n$, nearly matching the $Ω(\log n)$ graph-theoretic lower bound that already holds for cut-expander decompositions, up to a $\log^{o(1)}n$ factor. Prior polynomial-time algorithms required removing $O(ϕ\log^{1.5}n)$ and $O(ϕ\log^{2}n)$ fractions of edges to guarantee $ϕ$-cut-expander and $ϕ$-flow-expander components, respectively.

연구 동기 및 목표

  • 거의 최적의 오버헤드를 달성함으로써 확장자 분해의 구조 도구를 개선한다.
  • 어떤 그래프에서도 다항 시간 안에 phi-flow-expander 구성요소를 계산한다.
  • 오버헤드의 서브다항식 인수에 비례하여 존재하는 하한선에 근접하게 맞춘다.
  • 용량이 있는 그래프 및 유사한 변형에 대해 분해 프레임워크를 확장한다.

제안 방법

  • A-제품 수요에 대한 동시 멀티 커머티 플로우 LP를 해결하여 확산 메트릭을 얻는다.
  • 경계 크기가 제어된 클러스터를 형성하기 위해 희소 이웃 커버를 사용한다.
  • 스케일을 여러 반지름/질량 수준으로 이산화하고 합의 스케일을 선택하여 클러스터링한다.
  • 무거운 코어가 존재할 때 Leighton–Rao 스타일의 스윕 컷으로 무거운 구성요소를 처리한다.
  • 재귀에 대해 A-질량이 불변임을 보장하여 오버헤드의 텔레스코핑 분석을 가능하게 한다.

실험 결과

연구 질문

  • RQ1그래프 이론적 하한선에 근접한 오버헤드를 달성하는 다항 시간 알고리즘이 phi-flow-expanderdecompositions에 대해 가능한가?
  • RQ2flow-expander 설정에서 sparsest-cut 근사로 인해 발생하는 표준의 cut-and-recurse 페널티를 어떻게 우회할 수 있는가?
  • RQ3LP, 클러스터링, 스케일링 등의 어떤 구조 도구가 흐름 확장성을 보장하면서 거의 최적의 오버헤드를 산출하는가?
  • RQ4용량 그래프 및 노드 가중치와 터미널의 일반화에 결과가 확장되는가?

주요 결과

  • 다항 시간 알고리즘이 존재하여 |C| ≤ φ|A| log(|A|) exp(O(sqrt(log log |A|)))를 만족하는 C를 반환하고, G−C의 모든 구성요소는 A에 대해 φ-flow-expanding이다.
  • A = deg_G를 설정하면 오버헤드 γ = O(log n exp(O(sqrt(log log n))))인 확장자 분해를 얻는다.
  • 이는 log^{o(1)} n 인수까지 거의 최적의 오버헤드를 달성하며, 각각 잘라내기-확장자 분해의 이전 상한인 O(log^{1.5} n) 및 흐름-확장자 분해의 O(log^{2} n)보다 개선된다.
  • 이 접근법은 확산 메트릭 LP 프레임워크를 그래프 클러스터링과 결합하여 다항 시간 내에 cut-and-recurse 한계를 능가한다.
  • 결과는 용량 그래프, 터미널 버전 및 보다 일반적인 노드 가중치 변형에도 확장된다.

이 논문 읽기

누빈트 뷰어에서 원문을 열고, 읽으면서 궁금한 곳을 바로 물어보세요.

누빈트에서 이 논문 읽기

이 리뷰는 AI가 논문 원문을 바탕으로 만들었습니다. 인용하기 전에 원문을 확인해 주세요.