[论文解读] A Simple Algorithm for Graph Reconstruction

Mathieu, Claire, Zhou, Hang|arXiv (Cornell University)|Jan 1, 2021

Graph Labeling and Dimension Problems参考文献 25被引用 10

一句话总结

本文在连通的埃拉多斯-雷尼随机图中建立了序列度量维数（SMD）的紧致渐近界，表明SMD与度量维数（MD）彼此相差一个常数因子。作者证明了一种贪心自适应查询策略可实现渐近最优性能，通过利用扩展性质和一种新颖的耦合论证方法，与下界相匹配，揭示了在此模型中自适应性相较于非自适应感知仅提供常数因子的优势。

ABSTRACT

How efficiently can we find an unknown graph using distance queries between its vertices? We assume that the unknown graph is connected, unweighted, and has bounded degree. The goal is to find every edge in the graph. This problem admits a reconstruction algorithm based on multi-phase Voronoi-cell decomposition and using Õ(n^{3/2}) distance queries [Kannan et al., 2018]. In our work, we analyze a simple reconstruction algorithm. We show that, on random Δ-regular graphs, our algorithm uses Õ(n) distance queries. As by-products, we can reconstruct those graphs using O(log² n) queries to an all-distances oracle or Õ(n) queries to a betweenness oracle, and we bound the metric dimension of those graphs by log² n. Our reconstruction algorithm has a very simple structure, and is highly parallelizable. On general graphs of bounded degree, our reconstruction algorithm has subquadratic query complexity.

研究动机与目标

• 严格量化自适应与非自适应源定位在随机图中的差距。
• 将先前关于埃拉多斯-雷尼图中度量维数（MD）的研究扩展至序列度量维数（SMD），即一种自适应变体。
• 在连通的埃拉多斯-雷尼图 G(N, p) 中，建立SMD的紧致渐近上界与下界。
• 分析一种贪心自适应查询策略在最小化定位目标节点所需距离查询次数方面的性能。
• 探索SMD与相关问题（如图上的二分查找、源定位以及生日问题）之间的联系。

提出的方法

• 提出一种贪心自适应算法，通过选择下一查询节点以最小化剩余候选目标节点的数量。
• 使用一种新颖的耦合论证方法，通过将其与非自适应MD关联，推导出SMD的下界。
• 应用埃拉多斯-雷尼图的扩展性质，其中距离查询本质上提供二值答案（取值于 {D, D−1}），以简化信息获取。
• 引入 f-伪分离器 和 伪候选集 的概念，以建模自适应搜索过程并确保高概率成功。
• 运用集中不等式与方差界，表明查询结果在期望值附近高度集中。
• 结合并集界与对数步长计数，证明查询次数以高概率渐近最优。

实验结果

研究问题

• RQ1 在渐近增长方面，埃拉多斯-雷尼随机图的序列度量维数（SMD）与度量维数（MD）相比如何？
• RQ2 在埃拉多斯-雷尼图中，贪心自适应策略是否能在SMD问题中实现渐近最优查询复杂度？
• RQ3 在随机图上的源定位中，自适应与非自适应查询策略之间的根本差距是什么？
• RQ4 埃拉多斯-雷尼图的扩展性质如何影响每次距离查询的信息增益？
• RQ5 SMD 的结果在多大程度上可推广至噪声或随机观测模型？

主要发现

• 在连通的埃拉多斯-雷尼图 G(N, p) 中，当 N → ∞ 时，序列度量维数（SMD）与度量维数（MD）彼此相差一个常数因子。
• 一种在每一步最小化候选集的贪心自适应查询策略可实现渐近最优的查询复杂度。
• 该贪心策略所需的查询次数以高概率为 (1 + o(1)) log(N) / log(1/γ_smd)，与理论下界一致。
• SMD 与 MD 的比值在大多数边概率下猜想为 1，但在特定区域该比值明确小于 1。
• 扩展性质确保距离查询本质上提供二值答案，从而降低了问题的信息论复杂度。
• 分析表明，SMD 与 MD 之间的差距由因子 η 有界，该因子与早期 MD 研究中发现的差距一致，提示通过进一步优化 QC 与 SQC 等新概念，可缩小这一差距。