[論文レビュー] Spectral Planting and the Hardness of Refuting Cuts, Colorability, and Communities in Random Graphs

Afonso S. Bandeira, Jess Banks+3 more|arXiv (Cornell University)|Aug 27, 2020

Random Matrices and Applications参考文献 59被引用数 13

ひとこと要約

本稿では、スペクトルプラント法を導入し、計算的に「静か」な埋め込み彩色構造やカット構造を持つランダム正則グラフを構築する。これにより、スペクトル的および局所統計的手法では、通常のランダムグラフと区別できない。この手法により、スパースなランダムグラフにおける $k$-彩色不能性の反証および $k$-カット最大化の平均ケース下での困難さを強く示唆している。標準的手法が、彩色数やカットサイズに顕著な影響を与えるにもかかわらず、それらの埋め込み構造を効率的に検出できないことを示している。

ABSTRACT

We study the problem of efficiently refuting the k-colorability of a graph, or equivalently certifying a lower bound on its chromatic number. We give formal evidence of average-case computational hardness for this problem in sparse random regular graphs, showing optimality of a simple spectral certificate. This evidence takes the form of a computationally-quiet planting: we construct a distribution of d-regular graphs that has significantly smaller chromatic number than a typical regular graph drawn uniformly at random, while providing evidence that these two distributions are indistinguishable by a large class of algorithms. We generalize our results to the more general problem of certifying an upper bound on the maximum k-cut. This quiet planting is achieved by minimizing the effect of the planted structure (e.g. colorings or cuts) on the graph spectrum. Specifically, the planted structure corresponds exactly to eigenvectors of the adjacency matrix. This avoids the pushout effect of random matrix theory, and delays the point at which the planting becomes visible in the spectrum or local statistics. To illustrate this further, we give similar results for a Gaussian analogue of this problem: a quiet version of the spiked model, where we plant an eigenspace rather than adding a generic low-rank perturbation. Our evidence for computational hardness of distinguishing two distributions is based on three different heuristics: stability of belief propagation, the local statistics hierarchy, and the low-degree likelihood ratio. Of independent interest, our results include general-purpose bounds on the low-degree likelihood ratio for multi-spiked matrix models, and an improved low-degree analysis of the stochastic block model.

研究の動機と目的

• スパースなランダム正則グラフにおける $k$-彩色不能性および $k$-カット最大化の平均ケース下での計算的困難さを調査すること。
• 通常のランダムグラフと比べて彩色数が著しく低いが、一様ランダムモデルと計算的に区別できない $d$-正則グラフの分布を構築すること。
• 安定性の信念伝播、局所統計階層、低次の尤度比といった複数のヒューリスティクスを用いて、計算的困難さの形式的証拠を提供すること。
• マルチスパイク行列モデルへのフレームワークの一般化および、確率的ブロックモデルにおける低次の解析の改善。
• スペクトル法が、埋め込み構造が固有ベクトルと整合している場合に、固有値の押し出し効果を回避することで、埋め込み構造の検出に失敗することを示すこと。

提案手法

• 隣接行列の固有ベクトルとして埋め込み構造（彩色またはカット）を符号化することで、スペクトル的摂動を最小限に抑えた $d$-正則グラフの分布を構築する。
• 隣接行列の最大固有値に基づくスペクトル証明を用い、彩色数および $k$-カットサイズの上界を証明する。
• 低次の尤度比法を用いて、埋め込み分布と一様ランダムグラフモデルとの区別が計算的にどの程度困難であるかを分析する。
• 局所統計階層および信念伝播の安定性を用いて、計算的困難さの補足的証拠を提供する。
• スパイクが埋め込まれたマルチスパイク・ウィグナー行列モデル（ガウス型アナロジー）を用い、スパイクが埋め込み固有空間に対応することを分析する。
• マルチスパイクモデルにおける低次の尤度比の境界を導出し、信号強度が特定の閾値未満の場合に尤度比が有界のまま保たれることを示す。

実験結果

リサーチクエスチョン

• RQ1 $d$-正則グラフの分布として、通常のランダムグラフと比べて彩色数が著しく低いが、一様ランダムモデルと計算的に区別できない埋め込み $k$-彩色構造を構築できるか？
• RQ2 埋め込み構造を隣接行列の固有ベクトルと整合させることで、スペクトル的および局所アルゴリズムによる検出がどの程度遅延するか？
• RQ3 低次の尤度比法を用いた場合、埋め込みモデルと一様ランダムモデルとの間で計算的区別不能性の閾値は何か？
• RQ4 スペクトルプラント法は、確率的行列理論における押し出し効果を回避する仕組みであり、その影響は埋め込み構造の検出可能性にどのような影響を与えるか？
• RQ5 このフレームワークは、$k$-カットサイズの上界証明に一般化可能であり、低次の解析を改善した確率的ブロックモデルへも拡張可能か？

主な発見

• 埋め込み $k$-彩色分布では、彩色数が $\chi(\bm{G}) \sim \frac{1}{2}\sqrt{d}$ にまで低下するが、一様ランダム $d$-正則グラフでは通常 $\chi(\bm{G}) \sim \frac{1}{2}\frac{d}{\log d}$ であるため、顕著に低い。
• 低次の尤度比、信念伝播の安定性、局所統計階層の観点から、埋め込み分布は一様ランダムグラフモデルと計算的に区別不能であり、平均ケース下での困難さを示している。
• 埋め込み構造が固有ベクトルと整合している場合、最大固有値に基づくスペクトル証明は、押し出し効果を回避するため、埋め込み構造を検出できない。
• ガウス型アナロジーでは、信号対雑音比 $\beta^2 < \gamma$ の場合に低次の尤度比が有界のまま保たれ、マルチスパイク・ウィグナーモデルにおいて計算的困難さが成立する。
• マルチスパイク行列モデルにおける低次の尤度比の一般化された境界を導出し、先行研究を上回る結果を得た。
• このフレームワークは、確率的ブロックモデルの低次の解析を改善し、検出の閾値が情報理論的限界と一致しており、鋭いことを示している。