[논문 리뷰] Improved Algorithmic Bounds for Discrepancy of Sparse Set Systems

Nikhil Bansal, Shashwat Garg|arXiv (Cornell University)|2016. 01. 13.

Mathematical Approximation and Integration참고 문헌 15인용 수 3

한 줄 요약

이 논문은 각 원소가 최대 $ t $개의 집합에 포함되는 희박한 집합 체계에서 저이분산 색칠을 위한 새로운 알고리즘적 접근을 제시한다. 가중치가 부여된 무작위 보행 프레임워크와 적응형 재가중치 부여, 단계 기반 크기 감소 기법을 활용하여, 기존의 $ O(t^{1/2}\log n) $ 알고리즘적 경계를 크게 향상시키고, $ O((t ext{log}n ext{log}s)^{1/2}) $ 이분산 경계를 달성한다. 이는 Banaszczyk의 비구성적 경계인 $ O((t\log n)^{1/2}) $ 에 가까워지며, 다항 크기의 집합에 대해 성립한다.

ABSTRACT

We consider the problem of finding a low discrepancy coloring for sparse set systems where each element lies in at most $t$ sets. We give an algorithm that finds a coloring with discrepancy $O((t \log n \log s)^{1/2})$ where $s$ is the maximum cardinality of a set. This improves upon the previous constructive bound of $O(t^{1/2} \log n)$ based on algorithmic variants of the partial coloring method, and for small $s$ (e.g.$s= extrm{poly}(t)$) comes close to the non-constructive $O((t \log n)^{1/2})$ bound due to Banaszczyk. Previously, no algorithmic results better than $O(t^{1/2}\log n)$ were known even for $s = O(t^2)$. Our method is quite robust and we give several refinements and extensions. For example, the coloring we obtain satisfies the stronger size-sensitive property that each set $S$ in the set system incurs an $O((t \log n \log |S|)^{1/2})$ discrepancy. Another variant can be used to essentially match Banaszczyk's bound for a wide class of instances even where $s$ is arbitrarily large. Finally, these results also extend directly to the more general Komlós setting.

연구 동기 및 목표

• 최대 차수 $ t $를 가진 희박한 집합 체계에 대해 비구성적 이분산 경계와 알고리즘적 보장 사이의 격차를 메우기 위해.
• 희박한 집합 체계에서 Beck-Fiala 문제에 대해 기존의 $ O(t^{1/2}\log n) $ 알고리즘적 경계를 향상시키기 위해.
• 다항식 크기의 집합($ s = \textrm{poly}(t) $)에 대해 Banaszczyk의 비구성적 결과와 거의 최적인 이분산 경계를 달성하기 위해.
• 다양한 집합 크기에 맞는 크기 민감하고 적응적인 이분산 제어를 지원하는 견고한 프레임워크를 개발하기 위해.
• 메서드를 Komlós 설정으로 확장하여 일반적인 집합 체계에서 향상된 보장을 제공하기 위해.

제안 방법

• 각 단계에서 반복적인 색칠 단계를 통해 집합 크기를 일정 요소로 감소시키는 단계 기반 무작위 보행 알고리즘을 사용한다.
• 큰 집합의 이분산 경계 향상을 위해, 포함 행렬의 행에 대한 적응형 재가중치 부여를 통해 $ \ell_2 $-노름을 제어한다.
• 핵심 구성 요소로는 단계 간 농도 경계와 유니온 경계를 활용하여, 모든 집합에 대해 고확률 이분산 제어를 보장하는 것이다.
• 가중치가 부여된 이분산 분석을 적용하여, 재가중치가 부여된 시스템에서의 경계를 스케일링 인자로 원래 시스템으로 다시 변환한다.
• 집합 크기별로 분류하는 체계($ [t2^{i-1}, t2^i) $)를 도입하여 각 클래스에 맞는 가중치와 경계를 적용한다.
• 크기 기준 이하의 집합은 $ O((t\log n)^{1/2}) $ 이하로 간주하여 추가 이분산에 미치는 영향이 무시할 만큼 작다.

실험 결과

연구 질문

• RQ1 일반적인 $ s $ (최대 집합 크기) 에 대해, $ t $-희박한 집합 체계의 알고리즘적 이분산 경계를 $ O(t^{1/2}\log n) $ 이외로 향상시킬 수 있는가?
• RQ2 알고리즘적 접근이 $ s = \textrm{poly}(t) $ 인 경우 Banaszczyk의 비구성적 $ O((t\log n)^{1/2}) $ 경계를 따라갈 수 있는가?
• RQ3 이 방법은 Komlós 설정을 다룰 수 있도록 확장될 수 있는가, 그리고 향상된 보장을 제공하는가?
• RQ4 포함 행렬의 행에 대한 적응형 재가중치 부여가 더 날카운 크기 민감 이분산 경계를 이끌 수 있는가?
• RQ5 효율성과 고확률 보장을 유지하면서 거의 최적의 이분산을 달성하는 것이 가능한가?

주요 결과

• 알고리즘은 $ t $-희박한 집합 체계에서 $ O((t\log n\log s)^{1/2}) $ 이분산 경계를 달성하여, 이전의 $ O(t^{1/2}\log n) $ 알고리즘적 경계를 향상시켰다.
• 집합 크기 $ s = \textrm{poly}(t) $ 인 경우, 경계는 $ \tilde{O}((t\log n)^{1/2}) $ 로 줄어들며, Banaszczyk의 비구성적 경계에 다항 로그 로그 인자($ \textrm{poly}(\log\log n) $) 이외에는 일치한다.
• 이 방법은 크기 민감한 이분산 보장을 제공한다: 각 집합 $ S $ 는 $ O((t\log n\log|S|)^{1/2}) $ 이분산을 유발하며, 더 작은 집합일수록 개선된다.
• 적응형 재가중치 부여를 통해 재가중치 시스템에서 열의 $ \ell_2 $-노름이 유계일 경우, 모든 집합에 대해 $ O((t\log n)^{1/2}) $ 이분산을 달성한다.
• 프레임워크는 Komlós 설정으로 확장되며, 광범위한 인스턴스 클래스에서 알려진 비구성적 경계와 일치하는 알고리즘적 보장을 제공한다.
• 단계별 농도 및 유니온 경계를 활용하여, 확률 최소 $ 1 - 1/\log n $ 의 고확률 성공을 보장한다.