[论文解读] Expander Decomposition with Almost Optimal Overhead
提供一个多项式时间算法,以计算接近最优的流扩张分解,在所有分量中去除不超过 phi m 次的 log(n) 的开销量级 exp(O(sqrt(log log n))),以获得 phi-流扩张器。
We present the first polynomial-time algorithm for computing a near-optimal \emph{flow}-expander decomposition. Given a graph $G$ and a parameter $ϕ$, our algorithm removes at most a $ϕ\log^{1+o(1)}n$ fraction of edges so that every remaining connected component is a $ϕ$-\emph{flow}-expander (a stronger guarantee than being a $ϕ$-\emph{cut}-expander). This achieves overhead $\log^{1+o(1)}n$, nearly matching the $Ω(\log n)$ graph-theoretic lower bound that already holds for cut-expander decompositions, up to a $\log^{o(1)}n$ factor. Prior polynomial-time algorithms required removing $O(ϕ\log^{1.5}n)$ and $O(ϕ\log^{2}n)$ fractions of edges to guarantee $ϕ$-cut-expander and $ϕ$-flow-expander components, respectively.
研究动机与目标
- 通过实现接近最优开销来增强扩张分解的结构工具箱。
- 从任意图出发,利用多项式时间计算 phi-流扩张器分量。
- 在开销方面达到存在性下界的子多项式因子匹配。
- 将分解框架扩展到带容量的图及相关变体。
提出的方法
- 求解 A-乘积需求的并发多商品流 LP,以获得扩散度量。
- 使用稀疏邻域覆盖来形成边界规模受控的簇。
- 将尺度离散化为多种半径/质量层级,并选择共识尺度进行聚簇。
- 当存在重核时,若出现重组件则通过 Leighton–Rao 风格的遍 sweepline 来处理。
- 确保 A-质量在递归过程中保持不变,以实现对开销的逐项相抵分析。
实验结果
研究问题
- RQ1一个多项式时间算法是否可以将开销接近图论下界,以实现 phi-流扩张分解?
- RQ2在流扩张设定中,如何避免由最稀切割近似带来的标准切割与递归惩罚?
- RQ3哪些结构工具(LP、聚類、缩放)能够在保留流扩张保证的同时实现接近最优的开销?
- RQ4结果是否可扩展到带容量的图以及其他节点权重和端点的一般化?
主要发现
- 存在一个多项式时间算法,返回 C 满足 |C| ≤ φ|A| log(|A|) exp(O(sqrt(log log |A|))),使得 G−C 的每个分量相对于 A 是 φ-流扩张的。
- 设 A = deg_G,可得到开销 γ = O(log n exp(O(sqrt(log log n)))) 的扩张分解。
- 这在开销方面实现了接近最优,至多有 log^{o(1)} n 因子的差异,相较于先前对切割-扩张分解的 O(log^{1.5} n) 和对流扩张分解的 O(log^{2} n) 的界限有所改进。
- 该方法将扩散度量 LP 框架与图聚类相结合,克服了多项式时间内的切割与递归限制。
- 结果扩展到带容量的图、端点版本以及更一般的节点权重变体。
阅读本论文
在 Nubint 阅读器中打开原文,边读边就任意段落提问。
在 Nubint 中阅读本论文本解读由 AI 根据论文原文生成,引用前请核对原文。