[논문 리뷰] New Constructive Aspects of the Lovasz Local Lemma

Bernhard Haeupler, Barna Saha외 1명|arXiv (Cornell University)|2010. 01. 08.

Complexity and Algorithms in Graphs참고 문헌 34인용 수 4

한 줄 요약

이 논문은 모스커-타르도스 알고리즘을 통해 라보슈 로컬 레미의 구성적 방법을 제시하며, 악성 사건 수가 초다항적일 경우에도 조건부 LLL-분포를 잘 근사함으로써 효율적인 샘플링과 확률적 분석이 가능하게 한다. 이는 악성 사건 수가 초다항적일 경우에도 효율적인 샘플링과 확률적 분석이 가능하게 한다. 이는 산타클อ우스 문제에 대한 상수 요소 근사와 애시드릭 엣지 색칠 및 람버그 유형 그래프에 대한 향상된 경계를 포함한 여러 문제에 대해 최초로 효율적인 몬테카를로 및 RNC 알고리즘을 제공한다.

ABSTRACT

The Lovász Local Lemma (LLL) states that the probability that none of a set of "bad" events happens is nonzero if the probability of each event is small compared to the number of bad events it depends on. A series of results have provided algorithms to efficiently construct structures whose existence is (non-constructively) guaranteed by the full asymmetric LLL, culminating in the recent breakthrough of Moser & Tardos. We show that the output distribution of the Moser-Tardos procedure has sufficient randomness, leading to two classes of algorithmic applications. We first show that when an LLL application provides a small amount of slack, the running time of the Moser-Tardos algorithm is polynomial in the number of underlying independent variables (not events!), and can thus be used to give efficient constructions in cases where the underlying proof applies the LLL to super-polynomially many events (or where finding a bad event that holds is computationally hard). We demonstrate our method on applications including: the first constant-factor approximation algorithm for the Santa Claus problem, as well as efficient algorithms for acyclic edge coloring, non-repetitive graph colorings, and Ramsey-type graphs. Second, we show applications to cases where a few of the bad events can hold, leading to the first such algorithmic applications of the LLL: MAX $k$-SAT is an illustrative example of this.

연구 동기 및 목표

• 악성 사건 수가 초다항적일 경우에도 비구성적 LLL 응용과 효율적 알고리즘 구축 사이의 격차를 메우기 위해.
• 모스커-타르도스 알고리즘이 조건부 LLL-분포에서 효율적으로 샘플링할 수 있음을 보여주어, 조건부 공간에서 희귀 사건의 확률적 분석이 가능하게 하기 위해.
• 악성 사건 탐지가 계산적으로 어려운 문제에 대해, 작은 핵심 집합의 사건에 집중함으로써 효율적인 알고리즘을 개발하기 위해.
• 표준 종속성 임계값을 초월하여 LLL 기반 결과를 확장하기 위해, 핵심에서 샘플링하여 예상보다 더 큰 비율의 악성 사건을 피하는 방식으로.
• 산타클로우스 문제, 애시드릭 엣지 색칠, 반복되지 않는 색칠 등 여러 조합 문제에 대해 최초로 효율적인 알고리즘을 제공하기 위해.

제안 방법

• 조건부 LLL-분포에서 효율적으로 샘플링하기 위해 모스커-타르도스 알고리즘을 활용하며, 이는 모든 악성 사건을 피하는 조건부 분포이다.
• 조건부 LLL-분포에서의 사건 확률에 대한 기존의 경계를 사용하여 비핵심 사건에 대해 유니언 바운드 분석을 수행함으로써, 예상 위반 수를 낮게 유지한다.
• 무작위 또는 LLL 기반 선택을 통해 작은 핵심 집합의 악성 사건을 구성함으로써, 핵심만 재샘플링하는 것으로 큰 비율의 악성 사건을 피할 수 있는 높은 확률의 성공을 이끌어내는 방법을 사용한다.
• 핵심 선택 실패를 모델링하는 악성 사건 시스템에 대해 모스커-타르도스 알고리즘을 적용함으로써 핵심이 종속성에 과부하가 가지 않도록 보장한다.
• 체르노프 경계와 LLL 조건을 사용하여 핵심 내의 어떤 사건도 너무 많은 이웃을 가질 확률을 경계함으로써 핵심이 잘 조절되어 있음을 보장한다.
• 핵심 구성과 모스커-타르도스 알고리즘을 조합하여 다항식 시간(n, m) 내에 실행되며 예상 위반 수가 낮은 랜덤 알고리즘을 생성한다.

실험 결과

연구 질문

• RQ1 악성 사건 수가 초다항적일 경우에도 모스커-타르도스 알고리즘이 조건부 LLL-분포에서 효율적으로 샘플링할 수 있는가?
• RQ2 모스커-타르도스 알고리즘의 출력을 사용하여, 사건 탐지가 어려운 LLL 기반 문제에 대해 효율적인 몬테카를로 또는 RNC 알고리즘을 구성할 수 있는가?
• RQ3 모든 악성 사건을 피하는 것이 불가능한 경우에도 LLL 프레임워크를 확장하여 위반되는 사건 수를 최소화할 수 있는가?
• RQ4 조건부 LLL-분포에서 핵심 크기와 예상 위반 수 사이의 최적의 트레이드오프는 무엇인가?
• RQ5 구성적 LLL 접근법을 적용하여 산타클로우스 문제와 같은 문제에 대해 최초로 효율적인 근사 알고리즘을 도출할 수 있는가?

주요 결과

• 모스커-타르도스 알고리즘이 조건부 LLL-분포를 잘 근사함으로써, 조건부 공간에서 희귀 사건의 확률적 분석이 가능해진다.
• 모든 α > 0에 대해, 모스커-타르도스 알고리즘의 출력에서 위반된 악성 사건의 예상 수는 (1+o(1))λ(α)·mp 이하이며, 여기서 λ(α)는 α에 대한 하향 함수이다.
• LLL에 여유가 있을 경우, 모스커-타르도스 알고리즘의 재샘플링 횟수는 사건 수 m이 아니라 변수 수 n에 대해 거의 선형적이다.
• 논문은 페이지의 LLL 기반 증명을 구성적으로 만들었기 때문에 산타클로우스 문제에 대해 최초로 상수 요소 근사 알고리즘을 제공한다.
• 애시드릭 엣지 색칠, 반복되지 않는 그래프 색칠, 람버그 유형 그래프에 대해 몬테카를로 알고리즘을 구성하였으며, 이는 이전 작업보다 종종 더 좋은 경계를 제공한다.
• LLL-분포에서 핵심을 샘플링함으로써, 전체 방지가 불가능한 경우에도 예상보다 더 큰 비율의 악성 사건을 피할 수 있다—MAX k-SAT에서 이를 입증하였다.