[논문 리뷰] Solving Vertex Cover in Polynomial Time on Hyperbolic Random Graphs

Thomas Bläsius, Philipp Fischbeck외 2명|arXiv (Cornell University)|2019. 04. 29.

Advanced Graph Neural Networks인용 수 6

한 줄 요약

이 논문은 고도의 비선형성과 높은 클러스터링을 가지는 하이퍼볼릭 랜덤 그래프에서 NP-난이도의 정점 커버 문제를 높은 확률로 다항식 시간 내에 해결할 수 있음을 보여준다. 핵심 통찰은 고도의 정점에 초점을 맞춘 지배성 감소 규칙이 그래프를 빠르게 소형 잔여물로 줄이며, 이는 동적 프로그래밍 또는 완전 탐색을 통한 효율적 정확해결을 가능하게 한다.

ABSTRACT

The VertexCover problem is proven to be computationally hard in different ways: It is NP-complete to find an optimal solution and even NP-hard to find an approximation with reasonable factors. In contrast, recent experiments suggest that on many real-world networks the run time to solve VertexCover is way smaller than even the best known FPT-approaches can explain. Similarly, greedy algorithms deliver very good approximations to the optimal solution in practice. We link these observations to two properties that are observed in many real-world networks, namely a heterogeneous degree distribution and high clustering. To formalize these properties and explain the observed behavior, we analyze how a branch-and-reduce algorithm performs on hyperbolic random graphs, which have become increasingly popular for modeling real-world networks. In fact, we are able to show that the VertexCover problem on hyperbolic random graphs can be solved in polynomial time, with high probability. The proof relies on interesting structural properties of hyperbolic random graphs. Since these predictions of the model are interesting in their own right, we conducted experiments on real-world networks showing that these properties are also observed in practice. When utilizing the same structural properties in an adaptive greedy algorithm, further experiments suggest that, on real instances, this leads to better approximations than the standard greedy approach within reasonable time.

연구 동기 및 목표

• NP-난이도임에도 불구하고 실세계 네트워크에서 정점 커버가 왜 실용적으로 이렇게 빠르게 해결되는가를 설명한다.
• 실세계 네트워크의 구조적 특성 중 정점 커버가 실용적으로 처리 가능한 이유를 규명한다.
• 이러한 특성을 하이퍼볼릭 랜덤 그래프를 사용해 수학적으로 형식화하여 알고리즘 성능을 분석한다.
• 실세계 네트워크에서의 근사 비율 향상을 달성하기 위해 적응형 그레디스터티 알고리즘을 개발하고 평가한다.

제안 방법

• 실세계 네트워크를 모델링하기 위해 자연스럽게 힘의 법칙(degree distribution)과 높은 클러스터링을 가지는 하이퍼볼릭 랜덤 그래프를 사용한다.
• 지배성 감소 규칙 분석: 어떤 정점의 이웃에 속한 정점과 그 모든 이웃이 포함되어 있을 경우 그 정점을 제거한다.
• 높은 확률로 단일 적용 시 하이퍼볼릭 랜덤 그래프가 낮은 경로폭(pathwidth)을 가지는 잔여 그래프로 감소함을 증명한다.
• 하이퍼볼릭 공간의 기하적 성질을 이용해 지배성이 높을 가능성이 높은 정점의 반경과 차수를 한정한다.
• 기본 그레디스터티 선택을 나머지 정점의 차수가 ≤k가 될 때까지 적용한 후 소규모 컴포넌트를 정확히 해결하는 k-적응형 그레디스터티 알고리즘을 설계한다.
• 트리폭 히وري스틱스와 근사 비율 측정을 사용해 47개의 실세계 네트워크에서 알고리즘을 평가한다.

실험 결과

연구 질문

• RQ1 이론적으로 난이도가 높음에도 불구하고 실세계 네트워크에서 분기-감소(branch-and-reduce) 알고리즘이 정점 커버를 왜 이렇게 신속하게 해결하는가?
• RQ2 비균형적인 차수 분포와 높은 클러스터링 등의 구조적 특성이 정점 커버 솔버의 실용적 효율성에 얼마나 기여하는가?
• RQ3 실세계 네트워크의 특성을 반영한 무작위 그래프 모델에서 지배성 감소 규칙을 이론적으로 정당화할 수 있는가?
• RQ4 힘의 법칙 차수 분포와 높은 클러스터링을 가지는 네트워크에서 근사 비율을 향상시키기 위해 그레디스터티 알고리즘을 어떻게 적응시킬 수 있는가?
• RQ5 하이퍼볼릭 랜덤 그래프의 구조적 예측이 실세계 네트워크의 경험적 관측과 일치하는가?

주요 결과

• 하이퍼볼릭 랜덤 그래프에서, 지배성 감소 규칙에 의한 빠른 감소로 인해 정점 커버 문제가 높은 확률로 다항식 시간 내에 해결 가능하다.
• 47개의 실세계 네트워크에서 차수 ≥ α/(α−1/2)·log n 인 정점의 82% 이상이 지배적이었으며, 쉬운 인스턴스에서는 99%가 지배적이었다.
• 지배성 감소 후 55%의 네트워크에서 트리폭 ≤50, 43%는 ≤15, 32%는 ≤5였으며, 이는 효율적인 정확해결을 위한 소형 잔여물임을 시사한다.
• 4-적응형 그레디스터티 알고리즘은 47개의 네트워크 평균에서 근사 비율을 표준 그레디스터티의 1.008에서 1.002로 감소시켰다.
• 49%의 네트워크에서 4-적응형 필터링 이후 가장 큰 잔여 컴포넌트가 100개 이하 정점이었으며, 이는 완전 탐색이 가능함을 의미한다.
• 4-적응형 그레디스터티 접근법을 사용함으로써 최적해를 찾은 네트워크 수가 4개에서 7개로 증가했다.