[논문 리뷰] Node-Weighted Multicut in Planar Digraphs

Chandra Chekuri, Rhea Jain|arXiv (Cornell University)|2026. 01. 27.

Complexity and Algorithms in Graphs인용 수 0

한 줄 요약

논문은 Kawarabayashi–Sidiropoulos의 결과를 방향성 평면 그래프의 노드 가중치 Multicut으로 확장하여, 자연스러운 LP를 통해 결정적 O(log^2 n)-근사화를 제공한다; 또한 평면 digraph에서 노드 가중치 Sparsest Cut에 대해 O(log^3 n)-근사화를 산출한다.

ABSTRACT

Kawarabayashi and Sidiropoulos [KS22] obtained an $O(\log^2 n)$-approximation algorithm for Multicut in planar digraphs via a natural LP relaxation, which also establishes a corresponding upper bound on the multicommodity flow-cut gap. Their result is in contrast to a lower bound of $ ildeΩ(n^{1/7})$ on the flow-cut gap for general digraphs due to Chuzhoy and Khanna [CK09]. We extend the algorithm and analysis in [KS22] to the node-weighted Multicut problem. Unlike in general digraphs, node-weighted problems cannot be reduced to edge-weighted problems in a black box fashion due to the planarity restriction. We use the node-weighted problem as a vehicle to accomplish two additional goals: (i) to obtain a deterministic algorithm (the algorithm in [KS22] is randomized), and (ii) to simplify and clarify some aspects of the algorithm and analysis from [KS22]. The Multicut result, via a standard technique, implies an approximation for the Nonuniform Sparsest Cut problem with an additional logarithmic factor loss.

연구 동기 및 목표

• 방향 평면 그래프에서 노드 가중치 멀컷과 Sparsest Cut을 동기 부여하고 연구한다.
• 엣지 가중치에서 노드 가중치 설정으로 LP 기반 근사 프레임워크를 일반화하면서 평면성 기반 기법을 보존한다.
• 이전의 무작위 접근을 대체하는 결정적 알고리즘을 제공하고 핵심 분석 단계들을 명확히 한다.
• 노드 가중치 Multicut 결과가 추가 로그 요인을 가진 노드 가중치 Sparsest Cut에 대한 corollary를 도출한다는 것을 보여준다.

제안 방법

• 노드 가중치 Multicut에 대한 표준 히팅-세트 LP 완화와 최대 처리량 다원화 흐름과의 이중 관계를 사용한다.
• x_v를 노드 길이로 해석한다; 확률 한계가 결정적 보장을 변환하도록 하는 결정적 영역 증가(region-growing) 기반의 rounding을 설계한다.
• 델타-경계 계층으로 그래프를 분할하고 평면성을 minor 연산으로 보존하는 레이어링 분해를 개발한다.
• 평면 구분자(세 개의 방향 경로)를 적용해 구분자 주변의 영역을 잘라 구성요소를 재귀적으로 처리한다.
• 무작위 Bartal 유사한 볼-성장 단계를 결정적 영역 증가 보법으로 대체하여 완전한 결정적 알고리즘을 얻는다.
• 평면성을 보존하고 활용하여 긴 s_i-t_i 경로가 잘리도록 하면서 LP 해에 의해 총 비용을 제어한다.

실험 결과

연구 질문

• RQ1 LP 기반 Multicut 근사화가 에지 가중치에서 노드 가중치 설정으로 확장될 때 근사 보장을 잃지 않는가?
• RQ2 동일한 O(log^2 n) 인자를 가진 결정적(무작위가 아닌) 알고리즘을 평면 digraph의 노드 가중치 Multicut에 대해 얻는 것이 가능한가?
• RQ3 노드 가중치 Multicut 결과가 평면 digraph에서 노드 가중치 Sparsest Cut에 대한 corollary로 확장되며, 어떤 근사 인자는인가?
• RQ4 평면 구분자와 영역 성장 기법이 방향성 평면 그래프에서 노드 가중치 Multicut의 엄밀한 보장을 달성하는 데 어떤 역할을 하는가?

주요 결과

• 자연 LP 완화를 통해 방향성 평면 그래프에서 노드 가중치 Multicut에 대해 효율적인 결정적 O(log^2 n)-근사 알고리즘이 존재한다.
• 노드 가중치 Multicut 결과는 자연 LP 완화를 통해 방향성 평면 그래프에서 노드 가중치 Sparsest Cut에 대해 O(log^3 n)-근사화를 산출한다(표준 LP 축소를 통해).
• 결정적 영역 증가 프레임워크가 이전 연구의 무작위 부분을 대체하여 노드 가중치에 대한 보다 명확하고 확장 가능한 분석을 가능하게 한다.
• 레이어링과 평면 구분자 기술은 노드 가중치 설정에 맞게 조정되어 그래프를 분해하고 비용 증가를 제어하며 minor 연산을 통해 평면성을 보존한다.
• 이 방법은 무작위 알고리즘의 핵심 아이디어를 명확화하고 이를 결정적으로 만들며, 동일한 점근적 근사 인자를 유지하는 통합된 방법을 제공한다.