[论文解读] A simple regularization of graphs

Yoshiyasu Ishigami|ArXiv.org|Apr 30, 2009

Limits and Structures in Graph Theory参考文献 11被引用 3

一句话总结

本文提出了一种新颖的、非迭代的图顶点划分构造方法，通过单次随机采样顶点，利用预定义序列中随机选择的样本大小，使划分满足准随机性性质。该方法以高概率实现常数大小划分的正则化，为Szemerédi原始的能量增量方法提供了一种更简单、无需迭代的替代方案，并可自然推广至超图。

ABSTRACT

The well-known regularity lemma of E. Szemerédi for graphs (i.e. 2-uniform hypergraphs) claims that for any graph there exists a vertex partition with the property of quasi-randomness. We give a simple construction of such a partition. It is done just by taking a constant-bounded number of random vertex samplings only one time (thus, iteration-free). Since it is independent from the definition of quasi-randomness, it can be generalized very naturally to hypergraph regularization. In this expository note, we show only a graph case of the paper [I] on hypergraphs, but may help the reader to access [I].

研究动机与目标

• 提供一种简单、非迭代的顶点划分构造方法，使图满足准随机性。
• 通过单次随机采样过程，克服Szemerédi正则性引理中迭代能量增量方法的局限性。
• 提出一种与准随机性具体定义无关的框架，从而可自然推广至超图。
• 为更易进入在配套论文[5]中发展的广义超图正则性理论提供更友好的切入点。
• 证明单次随机采样并随机选择样本大小，可高概率得到满足准随机性计数条件的划分。

提出的方法

• 基于所需的误差容限 $\epsilon$，选择一个足够大的常数 $\tilde{n}$，该值与输入图无关。
• 定义一个递增的样本大小序列 $m_0 \ll m_1 \ll \cdots \ll m_{\tilde{n}-1}$，该序列也与图无关。
• 从 $\{0, \dots, \tilde{n}-1\}$ 中均匀随机选择一个整数 $n$，并从图中均匀随机采样 $m_n$ 个顶点。
• 每个顶点根据其与 $m_n$ 个采样顶点的邻接模式进行标记，从而形成至多 $2^{m_n} \leq 2^{m_{\tilde{n}-1}}$ 个部分的划分。
• 证明该划分以高概率满足基于诱导子图计数的准随机性条件。
• 证明依赖于望远镜期望和集中不等式，避免使用迭代精化或能量增量论证。

实验结果

研究问题

• RQ1 能否仅通过一次随机采样步骤，无需迭代精化，构造出满足准随机性的顶点划分？
• RQ2 是否可能使用一种与准随机性具体定义无关的方法，在图中实现高概率正则化？
• RQ3 如何在保持简洁性和正确性的前提下，将该构造推广至超图？
• RQ4 确保划分满足准随机性的最少随机采样次数是多少？
• RQ5 单次随机采样并随机选择样本大小，是否能产生满足诱导子图计数引理的划分？

主要发现

• 所提方法仅通过一次随机采样步骤，即可构造出常数大小部分且以高概率满足准随机性的顶点划分。
• 该构造避免了迭代精化，与Szemerédi原始的能量增量方法不同，且与准随机性的具体定义无关。
• 该方法可自然推广至超图，如配套论文[5]所示，为超图正则性提供统一框架。
• 划分的期望正则性由 $\epsilon$ 控制，确保划分以高概率为 $\epsilon$-正则。
• 证明依赖于望远镜期望和集中不等式，表明诱导子图计数的误差由 $\epsilon$ 控制。
• 该方法以显著更简单的算法结构和更低的计算开销，实现了与正则性引理相同的目标。