[논문 리뷰] Computing exact minimum cuts without knowing the graph

Aviad Rubinstein, Tselil Schramm외 1명|arXiv (Cornell University)|2017. 11. 08.

Complexity and Algorithms in Graphs참고 문헌 21인용 수 6

한 줄 요약

이 논문은 자동으로 컷 크기를 반환하는 오라클만을 사용하여 무방향 무게 없는 그래프에서 정확한 전역 최소 컷과 s-t 최소 컷을 계산하기 위한 랜덤화된 쿼리 효율적인 알고리즘을 제시한다. 간선 강도 기반 샘플링과 비-컷 간선의 전략적 수축을 활용하여, 전역 최소 컷에 대해 $\tilde{O}(n)$ 쿼리, s-t 최소 컷에 대해 $\tilde{O}(n^{5/3})$ 쿼리를 달성한다—이는 상당히 비제곱형이며, 정확한 컷 계산에 $\tilde{\theta}(n^2)$ 쿼리가 필수적이라는 통념을 뒤엎는 결과이다.

ABSTRACT

We give query-efficient algorithms for the global min-cut and the s-t cut problem in unweighted, undirected graphs. Our oracle model is inspired by the submodular function minimization problem: on query $S \subset V$, the oracle returns the size of the cut between $S$ and $V \setminus S$. We provide algorithms computing an exact minimum $s$-$t$ cut in $G$ with $ ilde{O}(n^{5/3})$ queries, and computing an exact global minimum cut of $G$ with only $ ilde{O}(n)$ queries (while learning the graph requires $ ildeΘ(n^2)$ queries).

연구 동기 및 목표

• 완전한 그래프 지식 없이도, 가중치 없는 무방향 그래프에서 정확한 전역 최소 컷과 s-t 최소 컷을 계산하기 위해.
• 쿼리된 부분집합의 컷 크기를 반환하는 오라클에 대한 쿼리 수를 최소화하기 위해.
• 정확한 최소 컷 계산에 $\tilde{\theta}(n^2)$ 쿼리가 필수적이라는 일반적인 통념을 도전하기 위해.
• 전체 그래프를 학습하지 않으면서도 정확한 컷을 계산할 수 있는 알고리즘을 개발하기 위해.
• 정보 이론적 하한선이 그래프 학습에 적용되는 것을 뛰어넘어, 정확한 최소 컷 문제에 대해 비제곱형 쿼리 복잡도를 달성하기 위해.

제안 방법

• 컷 근사치를 유지하는 방식으로 간선 강도 기반 샘플링을 사용하여, 희박한 구성요소에서 실패하는 균일 샘플링을 피한다.
• 최적 컷을 가로지르지 않는 것으로 간주되는 '안전한' 간선들을, 부분적으로 샘플된 그래프를 바탕으로 높은 신뢰도로 수축시킨다.
• 샘플링 이전에 Karger의 알고리즘을 영감으로 삼아 랜덤 간선 수축 전처리 단계를 적용한다.
• 유량 근사 그래프 $H'$에서 $3\varepsilon n$-연결 성분을 수축시켜, 최소 컷이 $1\pm\varepsilon$ 요인 범위 내에서 유지되도록 보장한다.
• 수축 이후에 압축된 그래프의 나머지 모든 간선을 학습한다. 이 그래프는 $O(\varepsilon n^2)$개의 간선을 가진다.
• 쿼리 복잡도를 균형 잡기 위해 $\varepsilon = n^{-1/3}$로 설정하여, s-t 컷에 대해 총 $\tilde{O}(n^{5/3})$ 쿼리, 전역 최소 컷에 대해 $\tilde{O}(n)$ 쿼리로 이어진다.

실험 결과

연구 질문

• RQ1 정확한 전역 최소 컷을 $\tilde{O}(n^2)$보다 훨씬 적은 컷 쿼리로 계산할 수 있는가?
• RQ2 단지 컷 크기 오라클만을 이용할 때, 정확한 s-t 최소 컷을 비제곱형 쿼리 복잡도로 계산할 수 있는가?
• RQ3 간선 강도 기반 샘플링을 $o(m)$ 쿼리로 효율적으로 하위 샘플링할 수 있도록 조정할 수 있는가, 이때 컷 정보는 유지되는가?
• RQ4 유량 근사 그래프에서 고연결성 성분을 수축시키면 최소 컷의 구조가 유지되는가?
• RQ5 전처리 단계에서의 랜덤 수축은 이후 쿼리 단계에서 균일 샘플링의 효과를 높일 수 있는가?

주요 결과

• 랜덤화된 알고리즘이 단순 그래프에서 $\tilde{O}(n)$ 컷 쿼리를 사용하여 정확한 전역 최소 컷을 계산한다.
• 랜덤화된 알고리즘이 단순 그래프에서 $\tilde{O}(n^{5/3})$ 컷 쿼리를 사용하여 정확한 s-t 최소 컷을 계산한다.
• 정확한 s-t 최소 컷에 대한 쿼리 복잡도는 비제곱형이며, $\tilde{\Omega}(n^2)$ 쿼리가 필수적이라는 추측과 모순된다.
• 알고리즘은 다항 시간 내에 실행되며, 둘 다 총 실행 시간이 $\tilde{O}(n^2)$ 이하로 제한된다.
• 이 접근법은 간선 강도 기반 샘플링과 고연결성 성분의 수축을 통해 쿼리 부담을 줄이는 데에 새로운 방식을 적용한다.
• $\varepsilon = n^{-1/3}$로 설정함으로써 s-t 최소 컷에 대한 총 쿼리 복잡도는 $\tilde{O}(n^{5/3})$로 균형을 이루며, 제시된 복잡도에 도달한다.