[论文解读] Everywhere-Sparse Spanners via Dense Subgraphs

Eden Chlamtáč, Michael Dinitz+1 more|arXiv (Cornell University)|May 1, 2012

Complexity and Algorithms in Graphs参考文献 33被引用 13

一句话总结

该论文近二十年来首次提出了最低度2-连通图生成器（LD2S）问题的改进近似算法，通过建立LD2S与一种称为最小m边子图（s$mes$）的密集子图问题变体之间的正式联系，实现了$\tilde{O}(\Delta^{3-2\sqrt{2}+\varepsilon}) \approx \tilde{O}(\Delta^{0.172})$的近似因子。该方法采用了一种新颖的‘忠实’随机舍入技术，对s$mes$问题的Sherali-Adams线性规划松弛进行处理，克服了以往非忠实方法的局限性。

ABSTRACT

The significant progress in constructing graph spanners that are sparse (small number of edges) or light (low total weight) has skipped spanners that are everywhere-sparse (small maximum degree). This disparity is in line with other network design problems, where the maximum-degree objective has been a notorious technical challenge. Our main result is for the Lowest Degree 2-Spanner (LD2S) problem, where the goal is to compute a 2-spanner of an input graph so as to minimize the maximum degree. We design a polynomial-time algorithm achieving approximation factor $ ilde O(Δ^{3-2\sqrt{2}}) \approx ilde O(Δ^{0.172})$, where $Δ$ is the maximum degree of the input graph. The previous $ ilde O(Δ^{1/4})$ -approximation was proved nearly two decades ago by Kortsarz and Peleg [SODA 1994, SICOMP 1998]. Our main conceptual contribution is to establish a formal connection between LD2S and a variant of the Densest k-Subgraph (DkS) problem. Specifically, we design for both problems strong relaxations based on the Sherali-Adams linear programming (LP) hierarchy, and show that "faithful" randomized rounding of the DkS-variant can be used to round LD2S solutions. Our notion of faithfulness intuitively means that all vertices and edges are chosen with probability proportional to their LP value, but the precise formulation is more subtle. Unfortunately, the best algorithms known for DkS use the Lovász-Schrijver LP hierarchy in a non-faithful way [Bhaskara, Charikar, Chlamtac, Feige, and Vijayaraghavan, STOC 2010]. Our main technical contribution is to overcome this shortcoming, while still matching the gap that arises in random graphs by planting a subgraph with same log-density.

研究动机与目标

• 为解决长期存在的构建低最大度图生成器的挑战，该问题相较于稀疏性或轻量性目标，长期受到较少关注。
• 弥合目前最低度2-连通图生成器（LD2S）问题的最佳已知近似因子与对数密度框架所预测的理论极限之间的差距。
• 形式化并解决一种新的密集子图问题变体——最小m边子图（s$mes$），作为解决LD2S问题的关键步骤。
• 开发一种在Sherali-Adams层级中对LP解进行‘忠实’随机舍入的新技术，以实现度约束网络设计的改进近似。

提出的方法

• 引入一种新问题变体——最小m边子图（s$mes$），作为密集子图问题（DkS）的对偶，聚焦于在给定子图大小下最小化边数。
• 利用Sherali-Adams层级设计s$mes$的强LP松弛，以减小整数规划的间隙。
• 将‘忠实’随机舍入定义为：顶点和边的选择概率与其LP值成比例，从而在图中实现均衡分布。
• 证明：若s$mes$存在一个忠实的$f$-近似，则LD2S可获得$\tilde{O}(f^2)$-近似，从而实现从LD2S到s$mes$的归约。
• 通过构建一种新的舍入方案，克服了以往DkS算法使用非忠实舍入的局限性，该方案保留了Sherali-Adams解的结构。
• 利用递归分解和Sherali-Adams层级中的矩一致性，维持集中性并确保舍入过程的高概率成功。

实验结果

研究问题

• RQ1 能否将密集子图问题与度约束图生成器构造之间的联系形式化，以获得改进的近似算法？
• RQ2 是否可能在1998年建立的$\tilde{O}(\Delta^{1/4})$界限之上，获得比其更好的LD2S问题近似因子？
• RQ3 能否在Sherali-Adams LP层级中实现s$mes$问题的‘忠实’随机舍入，尽管以往工作采用的是非忠实方法？
• RQ4 对数密度框架是否预测s$mes$问题存在$ n^{3-2\sqrt{2}} $的紧致界限，且能否在算法上实现该界限？
• RQ5 能否将s$mes$问题中开发的技术推广到其他具有度约束的网络设计问题？

主要发现

• 该论文实现了$\tilde{O}(\Delta^{3-2\sqrt{2}+\varepsilon}) \approx \tilde{O}(\Delta^{0.172})$的LD2S问题近似因子，显著优于此前最佳的$\tilde{O}(\Delta^{1/4})$。
• 提出了一种新颖的问题变体——最小m边子图（s$mes$），并正式定义其为解决度约束图生成器问题的关键工具。
• 论文通过Sherali-Adams LP层级，构建了s$mes$的忠实$O(n^{3-2\sqrt{2}+\varepsilon})$-近似算法，是一项重大的技术突破。
• 作者证明：若s$mes$存在一个忠实的$f$-近似，则LD2S可获得$\tilde{O}(f^2)$-近似，从而建立了两个问题之间的强归约关系。
• 该方法克服了以往DkS算法的关键局限，实现了忠实舍入，而此前认为这与强LP层级不兼容。
• 该结果与对数密度框架所预测的理论界限一致，表明在当前技术下，$n^{3-2\sqrt{2}}$可能是s$mes$问题的最佳可能近似因子。