[论文解读] A Randomized Polynomial Kernelization for Vertex Cover with a Smaller Parameter

Stefan Kratsch|arXiv (Cornell University)|Jan 1, 2016

Advanced Graph Theory Research被引用 4

一句话总结

本文首次将拟阵理论中的代表性集合应用于 Almost 2-SAT 和终端数为常数的 Multiway Cut 问题，实现了首个多项式内核化。通过利用 Lovász 和 Marx 的代表性集合引理，作者开发了一种随机化算法，用于识别无关顶点并构建小型的割覆盖集合，从而实现失败概率在输入规模上指数级小的高效内核化。

ABSTRACT

In the Vertex Cover problem we are given a graph G=(V,E) and an integer k and have to determine whether there is a set X subseteq V of size at most k such that each edge in E has at least one endpoint in X. The problem can be easily solved in time O^*(2^k), making it fixed-parameter tractable (FPT) with respect to k. While the fastest known algorithm takes only time O^*(1.2738^k), much stronger improvements have been obtained by studying parameters that are smaller than k. Apart from treewidth-related results, the arguably best algorithm for Vertex Cover runs in time O^*(2.3146^p), where p = k - LP(G) is only the excess of the solution size k over the best fractional vertex cover [Lokshtanov et al., TALG 2014]. Since p <= k but k cannot be bounded in terms of p alone, this strictly increases the range of tractable instances. Recently, Garg and Philip (SODA 2016) greatly contributed to understanding the parameterized complexity of the Vertex Cover problem. They prove that 2LP(G) - MM(G) is a lower bound for the vertex cover size of G, where MM(G) is the size of a largest matching of G, and proceed to study parameter l = k - (2LP(G)-MM(G)). They give an algorithm of running time O^*(3^l), proving that Vertex Cover is FPT in l. It can be easily observed that l <= p whereas p cannot be bounded in terms of l alone. We complement the work of Garg and Philip by proving that Vertex Cover admits a randomized polynomial kernelization in terms of l, i.e., an efficient preprocessing to size polynomial in l. This improves over parameter p = k - LP(G) for which this was previously known [Kratsch and Wahlström, FOCS 2012].

研究动机与目标

• 解决参数复杂性领域中长期悬而未决的 Almost 2-SAT 多项式内核化问题，该问题是核心开放问题之一。
• 开发一种新方法，利用拟阵理论工具识别图割问题中的无关顶点。
• 构建包含所有终端子集 A,B 的最小 (A,B)-顶点割的最小割覆盖集合。
• 将这些技术扩展至实现首个针对终端数为常数的 Multiway Cut 及相关问题的多项式内核。
• 提出一种基于归约规则的随机化多项式内核化框架，失败概率指数级小，适用于广泛类别的割问题与删除问题。

提出的方法

• 应用拟阵理论中的代表性集合引理（Lovász, Marx），识别在不影响解的前提下无法被删除的顶点，从而支持无关顶点论证。
• 在输入图的分层副本上构建一个 gammoid 结构，以编码最小割的可达性与饱和性条件。
• 利用可交换基的代表性集合，高效采样出一个小型顶点集合 Z，使其包含任意 (A,B)-割或多元割的所有关键顶点。
• 通过边收缩和未标记连通分量上的符号传播，将原问题约化为仅包含 Z 中顶点与终端的等价实例。
• 将问题转化为顶点删除实例（例如通过边细分），以应用割覆盖集合构造，确保内核大小以参数 k 为界。
• 采用失败概率为 O(2⁻ⁿ) 的随机采样，以高置信度保证正确性，且与非均匀内核化框架兼容。

实验结果

研究问题

• RQ1 能否利用拟阵理论中的代表性集合设计出高效求解 NP 难问题的内核化算法？
• RQ2 是否可以采用基于归约规则的方法而非压缩方法，为 Almost 2-SAT 构建多项式内核？
• RQ3 能否系统性地利用拟阵代表性集合推导出图割问题中无关顶点的概念？
• RQ4 对于终端集 T 的任意子集 A,B，能够覆盖所有最小 (A,B)-顶点割的最小顶点集合有多大？
• RQ5 这些技术能否推广至为终端数为常数的 Multiway Cut 和 Multicut 问题生成多项式内核？

主要发现

• 本文首次为 Almost 2-SAT 构建了大小为 O(k⁶) 变量的多项式内核，通过失败概率为 O(2⁻ᵏ) 的随机压缩实现。
• 针对终端数最多为 s 的 Multiway Cut，基于代表性集合的无关顶点检测方法，构建了大小为 O(ks+1) 的内核。
• 对于任意无向图 G 和终端集 X，可在随机多项式时间内计算出大小为 O(|X|s+1) 的集合 Z，使其包含 X 划分为至多 s 个不相交子集时的最小多路割。
• 在有向图中，该方法可生成大小为 O(|S|·|T|·r) 的割覆盖集合 Z，覆盖所有 A⊆S 与 B⊆T 之间的 (A,B)-顶点割，其中 r 为 A 与 B 之间的最小割大小。
• 内核化过程基于归约规则且为随机化，失败概率为 O(2⁻ⁿ)，因此与非均匀内核化框架兼容。
• 结果可推广至一系列相关问题，包括 Vertex Cover Above LP 和 K"onig Vertex Deletion，首次为这些问题提供了多项式内核。