[논문 리뷰] Linear Recognition of Almost Interval Graphs

Yixin Cao|arXiv (Cornell University)|2014. 03. 06.

Advanced Graph Theory Research참고 문헌 36인용 수 26

한 줄 요약

이 논문은 최대 k개의 정점 또는 간선을 추가하거나 제거하여 수정된 간격 그래프의 세 가지 클래스를 선형 시간 알고리즘으로 식별하는 방법을 제시한다. 이는 식별뿐만 아니라 증거 간격 그래프의 구성도 가능하다. 주요 기여는 k에 대한 개선된 종속성으로, interval+ke 그래프에 대한 파arameterized 복잡도 이론에서 오랫동안 미해결된 문제를 해결한다.

ABSTRACT

Let $\mbox{interval} + k v$, $\mbox{interval} + k e$, and $\mbox{interval} - k e$ denote the classes of graphs that can be obtained from some interval graph by adding $k$ vertices, adding $k$ edges, and deleting $k$ edges, respectively. When $k$ is small, these graph classes are called almost interval graphs. They are well motivated from computational biology, where the data ought to be represented by an interval graph while we can only expect an almost interval graph for the best. For any fixed $k$, we give linear-time algorithms for recognizing all these classes, and in the case of membership, our algorithms provide also a specific interval graph as evidence. When $k$ is part of the input, these problems are also known as graph modification problems, all NP-complete. Our results imply that they are fixed-parameter tractable parameterized by $k$, thereby resolving the long-standing open problem on the parameterized complexity of recognizing $\mbox{interval}+ k e$, first asked by Bodlaender et al. [Bioinformatics, 11:49--57, 1995]. Moreover, our algorithms for recognizing $\mbox{interval}+ k v$ and $\mbox{interval}- k e$ run in times $O(6^k \cdot (n + m))$ and $O(8^k \cdot (n + m))$, (where $n$ and $m$ stand for the numbers of vertices and edges respectively in the input graph,) significantly improving the $O(k^{2k}\cdot n^3m)$-time algorithm of Heggernes et al. [STOC 2007] and the $O(10^k \cdot n^9)$-time algorithm of Cao and Marx [SODA 2014] respectively.

연구 동기 및 목표

• 생물학적 데이터 오류로 인해 간격 그래프에 가까운 그래프를 식별하는 데 발생하는 계산적 과제를 해결하기 위해.
• Bodlaender 등(1995)이 처음 제기한 interval+ke 그래프의 고정 매개변수 가능성에 대한 오랜 동안 미해결된 문제를 해결하기 위해.
• 그래프 크기에 대한 최적의 선형 종속성을 가지며, interval+kv, interval+ke, 그리고 interval−ke 클래스를 효율적으로 식별하기 위한 알고리즘을 개발하기 위해.
• 식별 이외에도, 소속이 확인된 경우 증거 간격 그래프의 구성까지 제공하기 위해.

제안 방법

• Tucker 행렬과 consecutive-ones 성질 위반을 이용한 거의 간격 그래프 내 금지 부분그래프의 새로운 구조적 특성화를 설계.
• 최소 수정을 효율적으로 탐색하기 위해 동적 프로그래밍과 모듈러 분해 기법을 적용.
• 간격 그래프 성질과 금지 부분그래프 탐지 기반의 가지치기를 통한 유한 탐색 트리 접근 방식을 사용.
• 최소 비간격 부분그래프 및 Tucker 하위행렬을 탐지하기 위한 선형 시간 알고리즘을 활용.
• 해당 거의 간격 그래프 클래스에 속하는지 여부를 유지하는 데이터 축소 규칙 통합.
• 정점 및 간선 수정을 다룰 수 있도록 간격 그래프 식별 기법을 확장하면서도 선형 시간 복잡도를 유지하기 위해.

실험 결과

연구 질문

• RQ1 고정된 k에 대해 interval+ke 그래프를 선형 시간 내에 식별할 수 있는가? 이는 Bodlaender 등(1995)이 제기한 문제를 해결하는 것이다.
• RQ2 특히 interval+kv 및 interval−ke에 대해 거의 간격 그래프 식별의 최적의 매개변수 k 종속성은 무엇인가?
• RQ3 입력이 이러한 클래스에 속할 경우, 식별뿐만 아니라 증거 간격 그래프를 구성할 수 있는 효율적인 알고리즘을 설계할 수 있는가?
• RQ4 거의 간격 그래프의 구조적 성질은 consecutive-ones 성질과 Tucker 하위행렬과 어떻게 관련이 있는가?
• RQ5 이 기법들은 혼합 수정(정점 및 간선 삭제/추가) 또는 샌드위치 문제를 다룰 수 있도록 일반화될 수 있는가?

주요 결과

• 논문은 interval+kv, interval+ke, 그리고 interval−ke 그래프를 식별하기 위한 선형 시간 알고리즘을 제시하며, 각각 실행 시간이 O(6^k·(n+m)) 및 O(8^k·(n+m))로, 이전의 한계보다 크게 향상되었다.
• interval+kv의 경우 알고리즘은 O(6^k·(n+m)) 시간에 실행되며, Heggernes 등(2007)의 O(k^{2k}·n^3·m) 알고리즘보다 향상되었다.
• interval−ke의 경우 알고리즘은 O(8^k·(n+m)) 시간에 실행되며, Cao 및 Marx(2014)의 O(10^k·n^9) 알고리즘보다 향상되었다.
• 알고리즘은 소속 여부를 판단하는 것 외에도 동일한 시간 내에 증거 간격 그래프를 생성하므로, 구성적 증명을 제공한다.
• 결과적으로 interval+ke에 대한 고정 매개변수 가능성이 입증되어, 파arameterized 복잡도 이론에서 25년간 미해결이었던 문제를 해결한다.
• 이 접근 방식은 다른 유전적 그래프 클래스로 일반화 가능하며, 향후 샌드위치 문제 및 C1P 수정 문제 연구를 위한 프레임워크를 제공한다.