[论文解读] FPT Algorithms for Finding Dense Subgraphs in c-Closed Graphs.

Edin Husić, Tim Roughgarden|arXiv (Cornell University)|Jul 19, 2020

Advanced Graph Theory Research参考文献 32被引用 7

一句话总结

本文提出了在c-闭图（c-closed graphs）中检测和枚举密集子图的固定参数可追踪（FPT）算法，c-闭图是一类具有强三元闭包性质的图类。通过利用一种推广月-莫泽定理的新组合界，并结合专为c-闭条件设计的新颖算法技术，作者实现了对最大团以外更广泛类别的密集子图的优化与枚举的FPT算法，显著扩展了先前关于最大团检测的研究成果。

ABSTRACT

Dense subgraph detection is a fundamental problem in network analysis for which few worst-case guarantees are known, motivating its study through the lens of fixed-parameter tractability. But for what parameter? Recent work has proposed parameterizing graphs by their degree of triadic closure, with a $c$-closed graph defined as one in which every vertex pair with at least $c$ common neighbors are themselves connected by an edge. The special case of enumerating all maximal cliques (and hence computing a maximum clique) of a $c$-closed graph is known to be fixed-parameter tractable with respect to $c$ (Fox et al., SICOMP 2020). In network analysis, sufficiently dense subgraphs are typically as notable and meaningful as cliques. We investigate the fixed-parameter tractability (with respect to $c$) of optimization and enumeration in $c$-closed graphs, for several notions of dense subgraphs. We focus on graph families that are the complements of the most well-studied notions of sparse graphs, including graphs with bounded degree, bounded treewidth, or bounded degeneracy, and provide fixed-parameter tractable enumeration and optimization algorithms for these families. To go beyond the special case of maximal cliques, we use a new combinatorial bound (generalizing the Moon-Moser theorem); new techniques for exploiting the $c$-closed condition; and more sophisticated enumeration algorithms.

研究动机与目标

• 将固定参数可追踪性结果从最大团扩展到c-闭图中更广泛的密集子图类别。
• 通过三元闭包参数c进行参数化，解决密集子图检测中缺乏最坏情况保证的问题。
• 为与稀疏图类（如有界度数、树宽、退化性）互补的图族，开发高效密集子图枚举与优化算法。
• 推广月-莫泽定理，为c-闭图中密集子图的数量提供更紧致的组合界。
• 设计新算法技术，利用c-闭图的结构约束，超越团枚举的范围。

提出的方法

• 引入一种广义组合界，将月-莫泽定理推广至c-闭图中的密集子图。
• 利用c-闭性质——即任意具有c个或以上共同邻居的顶点对均相邻——来限制候选子图数量，并指导搜索空间剪枝。
• 设计FPT枚举算法，利用有界共同邻居结构，高效探索并报告密集子图。
• 应用参数化复杂性技术，优化c-闭图中密集子图检测的时间与空间复杂度。
• 利用c-闭图的结构特性，通过分解与剪枝将问题缩减为更小、更易处理的实例。

实验结果

研究问题

• RQ1 能否为c-闭图中最大团以外的密集子图检测开发固定参数可追踪算法？
• RQ2 c-闭条件如何提升密集子图枚举与优化的最坏情况界？
• RQ3 为界定c-闭图中密集子图的数量，需要哪些月-莫泽定理的组合推广？
• RQ4 现有最大团检测技术在多大程度上可扩展至c-闭图中更广泛的密集子图概念？
• RQ5 在c-闭约束下，高效枚举密集子图需要哪些新的算法策略？

主要发现

• 本文证明了在c-闭图中，密集子图的检测与枚举问题关于参数c是固定参数可追踪的。
• 推导出一种新的组合界，推广了月-莫泽定理，为c-闭图中密集子图的数量提供了更紧致的限制。
• 开发了用于密集子图优化与枚举的FPT算法，包括最大团以外的子图。
• c-闭图的结构约束使得搜索空间得到显著剪枝，即使在大规模图中也能实现高效枚举。
• 所提出的算法将固定参数可追踪性的适用范围扩展至更广泛的密集子图问题类别，适用于现实网络模型。