[论文解读] Sampling colorings almost uniformly in sparse random graphs

Yitong Yin, Chihao Zhang|arXiv (Cornell University)|Mar 11, 2015

Markov Chains and Monte Carlo Methods参考文献 13被引用 3

一句话总结

本文提出了一种针对稀疏随机图 𝒢(n, d/n) 中正确 q-着色的全多项式时间几乎均匀采样器（FPAUS），在 q ≥ 3d + O(1) 时实现均匀采样，优于先前的 q ≥ 5.5d 的界限。该方法利用空间混合特性，并结合一种新颖的基于块的递归方法，高效估计无界度图上的边际概率。

ABSTRACT

The problem of sampling proper $q$-colorings from uniform distribution has been extensively studied. Most of existing samplers require $q\ge αΔ+β$ for some constants $α$ and $β$, where $Δ$ is the maximum degree of the graph. The problem becomes more challenging when the underlying graph has unbounded degree since even the decision of $q$-colorability becomes nontrivial in this situation. The Erdős-Rényi random graph $\mathcal{G}(n,d/n)$ is a typical class of such graphs and has received a lot of recent attention. In this case, the performance of a sampler is usually measured by the relation between $q$ and the average degree $d$. We are interested in the fully polynomial-time almost uniform sampler (FPAUS) and the state-of-the-art with such sampler for proper $q$-coloring on $\mathcal{G}(n,d/n)$ requires that $q\ge 5.5d$. In this paper, we design an FPAUS for proper $q$-colorings on $\mathcal{G}(n,d/n)$ by requiring that $q\ge 3d+O(1)$, which improves the best bound for the problem so far. Our sampler is based on the spatial mixing property of $q$-coloring on random graphs. The core of the sampler is a deterministic algorithm to estimate the marginal probability on blocks, which is computed by a novel block version of recursion for $q$-coloring on unbounded degree graphs.

研究动机与目标

• 设计稀疏随机图 𝒢(n, d/n) 中正确 q-着色的全多项式时间几乎均匀采样器（FPAUS）。
• 降低相对于平均度 d 所需的颜色数 q，改进现有界限。
• 处理最大度无界的图，传统采样器因决策与采样复杂性而失效。
• 建立一个更紧的 q 边界，以确保在稀疏随机图中实现高效且几乎均匀的采样。

提出的方法

• 利用 q-着色在稀疏随机图上的空间混合特性，确保马尔可夫链的快速混合。
• 提出一种新颖的块版本递归方法，用于计算局部图结构上的边际概率。
• 采用确定性算法估计块级别的边际概率，实现在无需完整枚举的情况下高效采样。
• 通过将图递归分解为块，聚焦于局部邻域，以处理无界度的情况。
• 结合空间混合与基于块的估计，确保马尔可夫链快速混合并生成几乎均匀的样本。
• 通过确保运行时间多项式且输出分布近乎均匀，实现 FPAUS。

实验结果

研究问题

• RQ1 能否在少于先前已知界限的颜色数下，为稀疏随机图中的 q-着色构造出全多项式时间几乎均匀采样器？
• RQ2 在 𝒢(n, d/n) 中，实现高效且几乎均匀采样的最小 q 相对于平均度 d 是多少？
• RQ3 如何在最大度无界的图中高效估计边际概率，以支持采样？
• RQ4 随机图中的空间混合在减少 q 的情况下，能在多大程度上加速着色的混合？

主要发现

• 所提出的 FPAUS 仅需 q ≥ 3d + O(1) 种颜色，优于先前的 q ≥ 5.5d 的界限。
• 该采样器在 𝒢(n, d/n) 图上实现了全多项式运行时间与近乎均匀的采样分布。
• 基于块的递归技术即使在最大度无界的图中也能实现准确的边际概率估计。
• 空间混合被有效利用，以确保底层马尔可夫链的快速混合。
• 块边际的确定性估计使采样器避免依赖蒙特卡洛方法或完整图枚举。
• 该方法在稀疏随机图中建立了新的高效采样理论阈值，缩小了与已知可着色性阈值的差距。