[논문 리뷰] Parameterized k-Clustering: The distance matters!

Fedor V. Fomin, Petr A. Golovach외 1명|arXiv (Cornell University)|2019. 01. 01.

Advanced Graph Theory Research참고 문헌 28인용 수 3

한 줄 요약

이 논문은 Minkowski 거리의 순서 p ∈ (0,1]인 k-클러스터링이 클러스터링 비용 D에 대해 고정된 매개변수를 갖는 FPT임을 입증한다. 이는 새로운 색상 코딩 및 초그래프 커버 기법을 통해 이루어지며, p = 0(Hamming) 및 p = ∞(L∞)의 경우 문제는 W[1]-하드로 나타나, 거리 노름에 따른 급격한 복잡도 임계점이 존재함을 시사한다.

ABSTRACT

In k-Clustering we are given a multiset of n vectors X subset Z^d and a nonnegative number D, and we need to decide whether X can be partitioned into k clusters C_1, ..., C_k such that the cost sum_{i=1}^k min_{c_i in R^d} sum_{x in C_i} |x-c_i|_p^p <= D, where |*|_p is the Minkowski (L_p) norm of order p. For p=1, k-Clustering is the well-known k-Median. For p=2, the case of the Euclidean distance, k-Clustering is k-Means. We study k-Clustering from the perspective of parameterized complexity. The problem is known to be NP-hard for k=2 and it is also NP-hard for d=2. It is a long-standing open question, whether the problem is fixed-parameter tractable (FPT) for the combined parameter d+k. In this paper, we focus on the parameterization by D. We complement the known negative results by showing that for p=0 and p=infty, k-Clustering is W1-hard when parameterized by D. Interestingly, the complexity landscape of the problem appears to be more intricate than expected. We discover a tractability island of k-Clustering: for every p in (0,1], k-Clustering is solvable in time 2^O(D log D) (nd)^O(1).

연구 동기 및 목표

• 클러스터링 비용 D에 대해 k-클러스터링의 고정 매개변수 복잡도를 조사하기 위해.
• Minkowski 거리 노름 p의 선택이 k-클러스터링의 해법 가능성에 미치는 영향를 규명하기 위해.
• p ∈ (0,1]에 대해 FPT 알고리즘을 수립하고, p = 0 및 p = ∞에 대해 W[1]-하드성을 입증하기 위해.
• k-클러스터링의 핵심 서브루틴인 클러스터 선택의 구조적 성질을 탐색하기 위해.

제안 방법

• 색상 코딩을 사용하여 k-클러스터링을 클러스터 선택 문제로 감소시킨다.
• Marx의 초그래프의 분수 간선 커버에 관한 정리를 적용하여 해 구조를 근사한다.
• 특정 볼록성 및 동차성 성질을 만족하는 거리 노름을 갖는 클러스터링으로 k-클러스터링을 감소시킨다.
• k-Clique에서 클러스터 선택으로의 새로운 감소를 통해 p = 0 및 p = ∞에 대해 W[1]-하드성을 증명한다.
• 오직 색상이 부여된 k-클러스터에 대응하는 해들 뿐만이 최소 비용을 달성하는 비용 D의 인스턴스를 구성한다.
• 가중치가 부여된 벡터와 중심점 최적화를 사용하여 Lp 노름 하의 클러스터 비용을 모델링한다.

실험 결과

연구 질문

• RQ1 Lp 노름에서 p ∈ (0,1]인 k-클러스터링은 비용 D에 대해 고정 매개변수 복잡도가 가능한가?
• RQ2 p ∈ (0,1]와 p = 0 또는 p = ∞ 사이에서 k-클러스터링의 복잡도가 왜 이렇게 급격하게 변화하는가?
• RQ3 p ∈ (0,1]에 대해 클러스터 선택 문제는 FPT 시간 내에 해결 가능한가?
• RQ4 FPT 알고리즘을 허용하는 Lp 노름과 그렇지 않은 노름 사이에 근본적인 구조적 차이가 존재하는가?
• RQ5 D + k + d에 대해 k-클러스터링의 미세한 복잡도는 어떠한가?

주요 결과

• 모든 p ∈ (0,1]에 대해 Lp 노름을 갖는 k-클러스터링은 시간 2^O(D log D) · (nd)^O(1) 내에서 해결 가능하며, 이는 D에 대해 FPT임을 증명한다.
• p = 0(Hamming 거리)일 경우, k-클러스터링은 D에 대해 W[1]-하드로 나타나, FPT = W[1]가 아닌 한 FPT 알고리즘이 존재하지 않음을 시사한다.
• p = ∞(L∞-거리)일 경우, 동일한 매개변수화 하에 k-클러스터링은 역시 W[1]-하드로 나타난다.
• p ∈ (0,1]에 대해 클러스터 선택 문제는 D에 대해 FPT이며, 이는 주요 결과를 가능하게 하는 핵심 알고리즘 기여이다.
• k-Clique에서 클러스터 선택으로의 W[1]-하드성 감소는 p = 0 또는 p = ∞에 대해 FPT 알고리즘이 존재하지 않음을 증명한다.
• 구성된 인스턴스에서 비용 D는 오직 색상이 부여된 k-클러스터에 대응하는 해들 뿐만이 정확히 달성하므로 감소의 정확성이 보장된다.