[论文解读] A constructive proof of the general Lovasz Local Lemma

Robin A. Moser, Gábor Tardos|ArXiv.org|Mar 3, 2009

Advanced Graph Theory Research参考文献 11被引用 6

一句话总结

本文提出了一种构造性、算法化的广义洛瓦兹局部引理（LLL）证明，能够高效地找到在有限依赖条件下约束系统的满足赋值。通过使用一种随机重采样算法，该算法迭代地修复被违反的事件，该方法在标准LLL条件下保证了多项式时间收敛，相较于先前工作，消除了不必要的常数，并使该方法可直接应用于几乎所有已知的LLL应用场景。

ABSTRACT

The Lovasz Local Lemma [EL75] is a powerful tool to non-constructively prove the existence of combinatorial objects meeting a prescribed collection of criteria. In his breakthrough paper [Bec91], Beck demonstrated that a constructive variant can be given under certain more restrictive conditions. Simplifications of his procedure and relaxations of its restrictions were subsequently exhibited in several publications [Alo91, MR98, CS00, Mos06, Sri08, Mos08]. In [Mos09], a constructive proof was presented that works under negligible restrictions, formulated in terms of the Bounded Occurrence Satisfiability problem. In the present paper, we reformulate and improve upon these findings so as to directly apply to almost all known applications of the general Local Lemma.

研究动机与目标

• 提供广义洛瓦兹局部引理的构造性、算法化证明，以克服原始证明的非构造性本质。
• 通过在最大事件概率上实现近乎最优的界，弥合存在性LLL与其实现版本之间的差距。
• 重新表述LLL框架，使该算法可直接应用于绝大多数已知的LLL应用场景。
• 消除先前构造性LLL结果中假设里的不必要常数，简化实际应用的条件。

提出的方法

• 该算法从对底层独立随机变量的随机赋值开始，并迭代地重采样涉及被违反事件的变量。
• 它使用一种倾斜的见证树结构来追踪依赖关系，确保仅对在局部上相关的事件执行重采样步骤。
• 重采样过程由对每个事件 $ A $ 分配一个实数值 $ x(A) \in (0,1) $ 所引导，该值满足条件 $ \operatorname{Pr}[A] \leq x(A) \prod_{B \in \Gamma(A)} (1 - x(B)) $。
• 该算法确保每个事件的期望重采样次数被限制在 $ \frac{x(A)}{1 - x(A)} $ 以内，该界在给定条件下是紧致的。
• 通过使用被违反事件的最大独立集，支持该算法的并行版本，其中利用Luby的随机算法高效地找到此类集合。
• 该证明表明，在广义LLL条件下，该算法在期望多项式时间内终止，其运行时间主要由独立集计算决定。

实验结果

研究问题

• RQ1 能否设计一种适用于广义洛瓦兹局部引理的构造性算法，使其在与存在性版本相同的条件下运行？
• RQ2 为确保随机重采样算法在期望多项式时间内终止，所需的最小假设集合是什么？
• RQ3 如何设计该算法，使其可直接应用于所有已知的LLL应用场景，而无需进行问题特定的重构？
• RQ4 能否消除先前构造性LLL结果中的常数因子，以实现更紧致、更自然的界？
• RQ5 即使依赖图的度数无界，是否仍可对算法进行去随机化？

主要发现

• 该算法在标准洛瓦兹局部引理条件下保证了期望多项式时间终止，其期望重采样次数被限制在 $ \sum_{A \in \mathcal{A}} \frac{x(A)}{1 - x(A)} $ 以内。
• 对每个事件期望重采样次数的界 $ \frac{x(A)}{1 - x(A)} $ 是紧致的，且仅当事件在依赖图中为孤立点时才能达到。
• 该算法的运行时间主要由依赖图中最大独立集的计算决定，使用Luby算法可实现 $ O(\log^2 m) $ 的期望时间复杂度。
• 该方法消除了早期构造性LLL结果中不必要的常数因子，实现了更简洁、更通用的表述形式。
• 通过反复采样被违反事件的最大独立集，该算法可实现并行化，从而在并行计算架构上实现高效执行。
• 该框架具有足够的通用性，可直接应用于几乎所有已知的广义LLL应用场景，包括超图着色和可满足性问题。