[论文解读] A simple algorithm for random colouring G(n, d/n) using (2 + ε)d colours

Charilaos Efthymiou|arXiv (Cornell University)|Jan 17, 2012

Limits and Structures in Graph Theory参考文献 13被引用 13

一句话总结

本文提出了一种组合算法，可在 Erdős–Rényi 随机图 G(n, d/n) 上高效地执行近似随机 k-染色，使用 k ≥ (2 + ε)d 种颜色。该算法通过递归地将问题简化为更简单的子图，以高概率在总变差距离 n−Ω(1) 内逼近吉布斯分布，与先前方法相比显著降低了对 k 的下限要求。

ABSTRACT

Approximate random k-colouring of a graph G = (V, E) is a very well studied problem in computer science and statistical physics. It amounts to constructing a k-colouring of G which is distributed close to Gibbs distribution, i.e. the uniform distribution over all the k-colourings of G. Here, we deal with the problem when the underlying graph is an instance of Erdos-Renyi random graph G(n, p), where p = d/n and d is fixed.We propose a novel efficient algorithm for approximate random k-colouring with the following properties: given an instance of G(n, d/n) and for any k ≥ (2 + e)d, it returns a k-colouring distributed within total variation distance n−Ω(1) from the Gibbs distribution, with probability 1 − n−Ω(1).What we propose is neither a MCMC algorithm nor some algorithm inspired by the message passing heuristics that were introduced by statistical physicists. Our algorithm is of combinatorial nature. It is based on a rather simple recursion which reduces the random k-colouring of G(n, d/n) to random k-colouring simpler subgraphs first.The lower bound on the number of colours for our algorithm to run in polynomial time is significantly smaller than the corresponding bounds we have for any previous algorithm.

研究动机与目标

• 开发一种针对稀疏随机图 G(n, d/n) 的高效近似随机 k-染色算法，且所需颜色数更少。
• 通过引入组合方法，克服现有 MCMC 和消息传递方法的局限性。
• 在多项式时间内运行，且对 k 的阈值低于以往算法。
• 确保输出分布与吉布斯分布之间的总变差距离足够接近。
• 提供一种可证明高效的算法，适用于固定 d 时的 k = (2 + ε)d 种颜色。

提出的方法

• 该算法采用递归分解策略，将 G(n, d/n) 上的随机 k-染色问题简化为更简单的子图。
• 其依赖于一种组合构造方法，避免使用马尔可夫链蒙特卡洛（MCMC）或消息传递启发式方法。
• 通过利用稀疏随机图中的局部结构和条件独立性，系统地为顶点分配颜色。
• 递归过程基于对 G(n, d/n) 图在固定 d 下典型局部树状结构的细致分析。
• 通过保持集中性界，确保最终染色结果在所有合法 k-染色中接近均匀分布。
• 通过颜色分布偏离吉布斯测度的尾部界，实现高概率保证。

实验结果

研究问题

• RQ1 能否设计一种组合算法，在 k = (2 + ε)d 的条件下，高效实现 G(n, d/n) 上的近似随机 k-染色？
• RQ2 对于非 MCMC、非消息传递的算法，在稀疏随机图上以多项式时间运行所需的最少颜色数是多少？
• RQ3 确定性组合算法在总变差距离上能多接近吉布斯分布？
• RQ4 对随机图进行递归分解能否实现 k-染色的可证明准确采样？
• RQ5 该算法是否能在将所需颜色数降低至先前阈值以下的同时，保持高概率的正确性？

主要发现

• 该算法以概率 1 − n−Ω(1) 实现与吉布斯分布的总变差距离为 n−Ω(1)。
• 对于任意满足 k ≥ (2 + ε)d 的 k，该算法在固定 d 和 ε > 0 的条件下运行时间为多项式时间。
• 所需颜色数显著低于以往任何算法的界限，显著提升了高效采样的阈值。
• 该方法本质上为组合方法，避免了统计物理和以往算法中使用的 MCMC 或消息传递启发式方法。
• 通过稀疏随机图上的递归分解与集中性分析，证明了该算法的正确性与高效性。
• 结果以高概率成立，使其具有鲁棒性，适合实际实现。