[论文解读] Faster generation of random spanning trees

Jonathan A. Kelner, Aleksander Mądry|ArXiv.org|Aug 11, 2009

Advanced Graph Theory Research参考文献 13被引用 13

一句话总结

本文提出了一种新颖的算法，用于在无向图中以期望时间 $\widetilde{O}(m\sqrt{n}\log 1/\delta)$ 生成 $(1+\delta)$-近似均匀的随机生成树，利用电网络理论和稀疏线性系统求解器加速基于随机游走的采样方法，显著优于稀疏图中先前的 $O(mn)$ 最坏情况时间复杂度。

ABSTRACT

In this paper, we set forth a new algorithm for generating approximately uniformly random spanning trees in undirected graphs. We show how to sample from a distribution that is within a multiplicative $(1+δ)$ of uniform in expected time $\TO(m\sqrt{n}\log 1/δ)$. This improves the sparse graph case of the best previously known worst-case bound of $O(\min \{mn, n^{2.376}\})$, which has stood for twenty years. To achieve this goal, we exploit the connection between random walks on graphs and electrical networks, and we use this to introduce a new approach to the problem that integrates discrete random walk-based techniques with continuous linear algebraic methods. We believe that our use of electrical networks and sparse linear system solvers in conjunction with random walks and combinatorial partitioning techniques is a useful paradigm that will find further applications in algorithmic graph theory.

研究动机与目标

• 设计一种更快的算法，用于从无向图的生成树分布中采样，其分布与均匀分布的乘法误差在 $ (1+\delta) $ 以内。
• 克服基于随机游走的生成树生成在稀疏图中长期存在的 $ O(mn) $ 最坏情况时间复杂度瓶颈。
• 将离散的随机游走技术与连续的线性代数方法（特别是电网络流和稀疏线性系统求解器）相结合。
• 建立一种新范式，将组合图划分与连续优化工具结合，用于算法图论。
• 提供一种可扩展且鲁棒的框架，适用于图稀疏化和路由问题，如 Goyal 等人近期工作所展示的。

提出的方法

• 使用强 $ (\phi, \gamma) $-分解，其中 $ \phi = 1/\sqrt{n} $，将图划分为低导出率的子组件。
• 构建一种快捷游走 $ \widehat{X} $，其模拟随机游走的首次通过访问过程，但跳过子组件内部的冗余遍历。
• 通过 $ \varepsilon $-近似（其中 $ \varepsilon = O(\delta / n^5) $）近似命中概率 $ Q_v(u) $，从而在 $ \widetilde{O}(m\sqrt{n}) $ 时间内高效模拟 $ \widehat{X} $。
• 利用随机游走与电网络之间的联系，建模有效电阻和流分布。
• 使用 Colbourn 等人的算法，在 $ O(|C(S)|^{2.376}) $ 时间内重构核心组件 $ C(S) $ 中顶点的缺失边。
• 通过分量级的有向生成树采样过程，将快捷游走的输出与重构的边结合，形成一个 $ \delta $-随机生成树。

实验结果

研究问题

• RQ1 能否在稀疏图中将基于随机游走的生成树生成的最坏情况时间复杂度提升至 $ O(mn) $ 以下？
• RQ2 电网络理论和稀疏线性系统求解器在多大程度上能提升组合图算法的效率？
• RQ3 是否可能在显著加速的同时，保持分布准确性，模拟随机游走的首次通过行为？
• RQ4 将连续线性代数方法与离散随机游走技术相结合，能否为纯组合问题带来更快的算法？
• RQ5 在随机生成树生成中，近似误差 $ \delta $ 与运行时间之间的权衡应如何优化？

主要发现

• 所提出的算法以期望时间 $ \widetilde{O}(m\sqrt{n}\log 1/\delta) $ 生成一个 $ \delta $-随机生成树，优于先前的 $ O(mn) $ 最坏情况时间复杂度。
• 该算法通过使用快捷游走 $ \widehat{X} $ 实现，其近似模拟完整随机游走的首次通过访问过程，从而减少冗余遍历。
• 通过使用 $ \varepsilon $-近似来处理命中概率，使得 $ \widehat{X} $ 的模拟可在 $ \widetilde{O}(m\sqrt{n}) $ 时间内高效完成。
• 核心组件 $ C(S) $ 中顶点的缺失边通过子图有向生成树采样过程在 $ O((\phi n)^{2.376}) = O(n^{2.376/2}) $ 时间内重构。
• 最终输出的分布与均匀分布的乘法误差在 $ (1+\delta) $ 以内，任意特定生成树的概率介于 $ (1-\delta)/|\mathcal{T}_s(G)| $ 和 $ (1+\delta)/|\mathcal{T}_s(G)| $ 之间。
• 该方法建立了一种新算法范式，结合电网络流、稀疏线性系统求解器与组合图划分，具有在图论中更广泛应用的潜力。