[논문 리뷰] Spectral Planting and the Hardness of Refuting Cuts, Colorability, and Communities in Random Graphs

Afonso S. Bandeira, Jess Banks외 3명|arXiv (Cornell University)|2020. 08. 27.

Random Matrices and Applications참고 문헌 59인용 수 13

한 줄 요약

이 논문은 스펙트럼 식재 기법을 도입하여, 계산적으로 '조용한'(quiet) 식재된 색칠 또는 컷 구조를 가진 무작위 정규 그래프를 구성한다. 이는 스펙트럼 및 국소 통계 방법을 통해 일반적인 무작위 그래프와 구분되지 않게 한다. 이는 표준 알고리즘이 식재된 구조를 효율적으로 탐지할 수 없음에도 불구하고, 크로마틱 수와 컷 크기가 크게 변하는 바탕으로, 흩어진 무작위 그래프에서 $k$-색칠 가능성 반증 및 $k$-컷 최대화 문제의 평균적 난이도를 강력하게 뒷받침한다.

ABSTRACT

We study the problem of efficiently refuting the k-colorability of a graph, or equivalently certifying a lower bound on its chromatic number. We give formal evidence of average-case computational hardness for this problem in sparse random regular graphs, showing optimality of a simple spectral certificate. This evidence takes the form of a computationally-quiet planting: we construct a distribution of d-regular graphs that has significantly smaller chromatic number than a typical regular graph drawn uniformly at random, while providing evidence that these two distributions are indistinguishable by a large class of algorithms. We generalize our results to the more general problem of certifying an upper bound on the maximum k-cut. This quiet planting is achieved by minimizing the effect of the planted structure (e.g. colorings or cuts) on the graph spectrum. Specifically, the planted structure corresponds exactly to eigenvectors of the adjacency matrix. This avoids the pushout effect of random matrix theory, and delays the point at which the planting becomes visible in the spectrum or local statistics. To illustrate this further, we give similar results for a Gaussian analogue of this problem: a quiet version of the spiked model, where we plant an eigenspace rather than adding a generic low-rank perturbation. Our evidence for computational hardness of distinguishing two distributions is based on three different heuristics: stability of belief propagation, the local statistics hierarchy, and the low-degree likelihood ratio. Of independent interest, our results include general-purpose bounds on the low-degree likelihood ratio for multi-spiked matrix models, and an improved low-degree analysis of the stochastic block model.

연구 동기 및 목표

• 희박한 무작위 정규 그래프에서 $k$-색칠 가능성 반증 및 $k$-컷 최대화 문제의 평균적 계산 난이도를 조사하는 것.
• 일반적인 무작위 그래프보다 훨씬 낮은 크로마틱 수를 가지지만, 균일한 무작위 모델과 계산적으로 구분되지 않는 $d$-정규 그래프의 분포를 구성하는 것.
• 안정성 있는 믿음 전파, 국소 통계 계층 구조, 저차도 가능도 비율을 포함한 다수의 히وري스틱을 사용하여 계산 난이도에 대한 공식적 증거를 제공하는 것.
• 다중 스파이크 행렬 모델로 프레임워크를 일반화하고, 스토하스틱 블록 모델에 대한 저차도 분석을 향상시키는 것.
• 식재된 구조가 고유벡터와 정렬되어 있을 경우 스펙트럼 방법이 식재된 구조를 탐지하지 못하게 되는 이유를 밝히고, 랜덤 행렬 이론의 '푸시아웃 효과'를 피하는 방식을 설명하는 것.

제안 방법

• 식재된 구조(색칠 또는 컷)가 인접행렬의 고유벡터로 표현되도록 $d$-정규 그래프의 분포를 구성하여 스펙트럼 편향을 최소화하는 것.
• 인접행렬의 최상위 고유값에 기반한 스펙트럼 증명을 사용하여 크로마틱 수와 $k$-컷 크기의 상한을 증명하는 것.
• 저차도 가능도 비율 방법을 적용하여 식재된 분포와 균일한 무작위 그래프 모델을 구분하는 데의 계산 난이도를 분석하는 것.
• 국소 통계 계층 구조와 믿음 전파 안정성 분석을 활용하여 계산 난이도에 대한 보완적 증거를 제공하는 것.
• 스펙트럼의 가우시안 동반 문제를 다중 스파이크 위그너 행렬 모델을 사용하여 분석하며, 스파이크는 식재된 고유공간에 대응한다.
• 다중 스파이크 모델에 대한 저차도 가능도 비율의 경계를 유도하여, 신호 강도가 일정 임계값 이하일 경우 비율이 유계임을 보이는 것.

실험 결과

연구 질문

• RQ1 균일한 무작위 모델과 계산적으로 구분되지 않으면서도 일반적인 무작위 $d$-정규 그래프보다 훨씬 낮은 크로마틱 수를 가지는 $d$-정규 그래프의 식재된 $k$-색칠 분포를 구성할 수 있는가?
• RQ2 식재된 구조가 인접행렬의 고유벡터와 정렬되어 있을 경우, 스펙트럼 및 국소 알고리즘이 탐지하는 데 얼마나 오래 걸리는가?
• RQ3 저차도 가능도 비율 방법을 사용할 때, 식재된 모델과 균일한 무작위 그래프 모델 간의 계산적 구분 불가능성의 임계값은 무엇인가?
• RQ4 스펙트럼 식재 방법은 랜덤 행렬 이론의 '푸시아웃 효과'를 어떻게 피하고, 식재된 구조의 탐지 가능성에 어떤 영향을 미치는가?
• RQ5 이 프레임워크는 $k$-컷 크기의 상한을 증명하는 데 일반화될 수 있으며, 개선된 저차도 분석을 통해 스토하스틱 블록 모델로 확장될 수 있는가?

주요 결과

• 식재된 $k$-색칠 분포의 크로마틱 수는 $\chi(\bm{G}) \sim \frac{1}{2}\sqrt{d}$이며, 이는 균일한 무작위 $d$-정규 그래프의 일반적인 값인 $\chi(\bm{G}) \sim \frac{1}{2}\frac{d}{\log d}$보다 훨씬 낮다.
• 저차도 가능도 비율, 믿음 전파 안정성, 국소 통계 계층 구조를 통해 식재된 분포가 균일한 무작위 그래프 모델과 계산적으로 구분되지 않음을 확인하여 평균적 난이도를 시사한다.
• 식재된 구조가 고유벡터와 정렬되어 있을 경우, 최상위 고유값에 기반한 스펙트럼 증명이 식재된 구조를 탐지하지 못하는 것은 '푸시아웃 효과'를 피하기 때문이다.
• 가우시안 동반 문제에서는 신호 대 잡음 비율 $\beta^2 < \gamma$일 경우 저차도 가능도 비율이 유계이므로, 다중 스파이크 위그너 모델에서 계산 난이도가 존재함을 의미한다.
• 다중 스파이크 행렬 모델에 대한 저차도 가능도 비율의 일반 목적 경계를 도출하여 이전 결과를 향상시켰다.
• 스펙트럼 식재 프레임워크는 스토하스틱 블록 모델에 대한 저차도 분석을 향상시켜, 탐지 임계값이 정보 이론적 한계와 정확히 일치하며 날카로운 임계값임을 보여준다.