[논문 리뷰] Reducing a Target Interval to a Few Exact Queries

Jesper Nederlof, Erik Jan van Leeuwen외 1명|arXiv (Cornell University)|2012. 08. 21.

Numerical Methods and Algorithms인용 수 14

한 줄 요약

이 논문은 범용적인 방법을 제시하여, 목표 간격 내에서 무게 합이 만족되어야 하는 범위 문제(ranged problems)를, 특정 값에 정확히 일치시켜야 하는 소수의 정확한 문제(exact problems)로 감소시킨다. 무작위 가중치 스케일링과 해싱 기법을 활용함으로써, Knapsack, Subset Sum, Vertex Cover와 같은 NP-난이도 문제들을 등가의 정확한 질의로 효율적으로 변환할 수 있으며, 계산 복잡도는 다항수준의 인과성까지 유지된다.

ABSTRACT

Many combinatorial problems involving weights can be formulated as a so-called ranged problem. That is, their input consists of a universe $U$, a (succinctly-represented) set family $\mathcal{F} \subseteq 2^{U}$, a weight function $ω:U ightarrow \{1,...,N\}$, and integers $0 \leq l \leq u \leq \infty$. Then the problem is to decide whether there is an $X \in \mathcal{F}$ such that $l \leq \sum_{e \in X}ω(e) \leq u$. Well-known examples of such problems include Knapsack, Subset Sum, Maximum Matching, and Traveling Salesman. In this paper, we develop a generic method to transform a ranged problem into an exact problem (i.e. a ranged problem for which $l=u$). We show that our method has several intriguing applications in exact exponential algorithms and parameterized complexity, namely: - In exact exponential algorithms, we present new insight into whether Subset Sum and Knapsack have efficient algorithms in both time and space. In particular, we show that the time and space complexity of Subset Sum and Knapsack are equivalent up to a small polynomial factor in the input size. We also give an algorithm that solves sparse instances of Knapsack efficiently in terms of space and time. - In parameterized complexity, we present the first kernelization results on weighted variants of several well-known problems. In particular, we show that weighted variants of Vertex Cover, Dominating Set, Traveling Salesman and Knapsack all admit polynomial randomized Turing kernels when parameterized by $|U|$. Curiously, our method relies on a technique more commonly found in approximation algorithms.

연구 동기 및 목표

• NP-완전 문제에서 지수적으로 큰 무게로 인한 계산 도전 과제를 해결하기 위해, 특히 동적 프로그래밍과 매개변수화 알고리즘에서의 영향을 다루기 위해.
• 범위 문제가 (예: Knapsack) 그 정확한 대응 문제(예: Subset Sum)와 시간 및 공간 효율성 측면에서 다항수준의 인과성으로 동일한 복잡도를 가지는지 조사하기 위해.
• 임의의 범위 문제를 입력 크기의 상당한 증가 없이 소수의 정확한 문제로 감소시키는 일반적인 변환 방법을 개발하기 위해.
• 이전에는 해결이 어려웠던 범위 문제가 정확한 알고리즘 기법(예: 해싱, 보간법)을 적용할 수 있도록 하기 위해.
• 우리의 기여로서, 집합 U의 크기 |U|로 매개변수화된 기본적인 NP-난이도 문제의 가중치 버전에 대해, 처음으로 다항식 무작위 튜링 커널을 확립하기 위해.

제안 방법

• 목표 간격 [l, u]를 O(n log(nN))개의 스케일된 가중치와 목표 값 쌍을 사용하여 정확한 합 질의 집합으로 매핑하는 무작위 가중치 스케일링 기법을 도입한다.
• 근사 알고리즘에서 유래한 다항식 방법의 변형을 활용하여, 원래 간격 내의 해가 최소한 하나의 정확한 질의에서 해가 되는 확률이 높아지도록 보장한다.
• 레마 2를 이용한 확률적 감소를 통해 각 스케일된 가중치 함수와 목표 값을 새로운 가중치 함수와 다수의 목표 값으로 변환하며, 원래 문제의 해가 최소한 하나의 새로운 정확한 문제에서의 해를 이르게 한다.
• Karp 감소를 사용하여 변환된 정확한 문제들을 원래 문제 클래스로 다시 매핑함으로써, Yes-인스턴스가 최소한 하나의 Yes-인스턴스로 변환된 쿼리 집합에 대응하도록 보장한다.
• log N ≤ 2^{|U|}라는 가정에 기반하여, 가중치 표현이 다항식 크기로 유지되며, 이를 통해 변환된 인스턴스의 크기를 유한하게 제한한다.
• 기존의 정확한 알고리즘 기법(예: 해싱, 보간법)과 변환을 조합하여, Knapsack 및 여행 salesman 문제와 같은 문제들에 대해 지수적 및 매개변수화 설정에서 개선된 알고리즘을 도출한다.

실험 결과

연구 질문

• RQ1 범위 문제(예: Knapsack)의 계산 복잡도가 다항수준의 인과성으로 정확한 문제(예: Subset Sum)와 동일한가?
• RQ2 정확한 문제에 대해 효율적인 다항식 공간 알고리즘이 일반적인 변환을 통해 범위 문제로 확장될 수 있는가?
• RQ3 가중치가 있는 NP-난이도 문제들(예: 가중치가 있는 Vertex Cover, Dominating Set, Knapsack)이 |U|로 매개변수화되었을 때 다항식 무작위 튜링 커널을 갖는가?
• RQ4 해의 등가성 손실 없이, 문제 인스턴스의 무게 크기를 의사-다항식 시간 내에 줄일 수 있는가?
• RQ5 변환 과정이 수량 보존(counting-preserving)이 되도록 할 수 있는가? 즉, 원래 문제의 각 해가 최대 하나의 변환된 정확한 질의에서의 해로 매핑되는가?

주요 결과

• Subset Sum과 Knapsack의 시간 및 공간 복잡도는 입력 크기의 다항수준 인과성으로 동일하며, 이는 한 문제의 개선이 다른 문제로 이식 가능함을 시사한다.
• 제안된 변환과 동적 프로그래밍 기법을 조합함으로써, 희소 인스턴스에 대해 Knapsack의 다항식 공간 알고리즘을 달성할 수 있다.
• Vertex Cover, Dominating Set 및 Knapsack의 가중치 버전은 |U|로 매개변수화되었을 때 다항식 무작위 튜링 커널을 갖는다. 이는 이러한 문제들에 대해 처음으로 이루어지는 결과이다.
• 이 변환은 임의의 범위 문제를 O(n² log(nN))개의 정확한 질의로 감소시키며, 각 질의의 무게는 다항식으로 유한하게 제한되어 총 크기가 입력 크기의 다항식 범위 내에 유지된다.
• 이 방법은 정확한 알고리즘 기법(예: 해싱, 보간법)을 범위 문제가 적용 가능한 문제들에 적용할 수 있도록 하여, Traveling Salesman 문제와 같은 문제들에 대해 O*(2^n W)의 시간 복잡도를 갖는 개선된 알고리즘을 도출한다. 여기서 W는 서로 다른 해밀턴 사이클 무게의 수이다.
• 감소 과정은 높은 확률로 정확성을 유지한다: 원래 문제의 Yes-인스턴스는 변환된 질의 집합 중 최소한 하나의 Yes-인스턴스로 매핑되며, No-인스턴스는 변환된 집합에서 Yes-인스턴스로 매핑될 확률이 최대 O(ε') 이며, 이를 임의로 작게 만들 수 있다.