[论文解读] Asymptotic optimality of degree-greedy discovering of independent sets in Configuration Model graphs

Matthieu Jonckheere, Manuel Sáenz|arXiv (Cornell University)|Aug 30, 2018

Markov Chains and Monte Carlo Methods参考文献 48被引用 6

一句话总结

本文建立了度贪心算法在配置模型生成的稀疏随机图中寻找独立集的渐近最优性。通过利用流体极限分析顺序探索过程，证明了在度分布的温和条件下，该算法获得的独立集大小渐近等于最大可能值，且误差衰减快于任何正幂次的n。

ABSTRACT

Finding independent sets of maximum size in fixed graphs is well known to be an NP-hard task. Using scaling limits, we characterise the asymptotics of sequential degree-greedy explorations and provide sufficient conditions for this algorithm to find an independent set of asymptotically optimal size in large sparse random graphs with given degree sequences. In the special case of sparse Erd\\"os-R\\'enyi graphs, our results allow to give a simple proof of the so-called $e$-phenomenon identified by Karp and Sipser for matchings and to give an alternative characterisation of the asymptotic independence number.

研究动机与目标

• 表征度贪心算法在给定度序列的稀疏随机图中寻找大独立集的渐近性能。
• 确定度贪心算法在配置模型图中实现渐近最优独立集大小的充分条件。
• 将Erdős-Rényi图中观察到的“e-现象”扩展到更一般的稀疏随机图模型。
• 为大规模图优化中贪心算法的效率提供理论基础，特别是在独立集问题的背景下。

提出的方法

• 使用流体极限分析配置模型图中顺序探索过程的度分布演化。
• 将探索过程建模为马尔可夫过程，其状态转移由顶点度数和邻居阻塞决定。
• 应用尺度极限推导出描述随时间推移各类度数顶点占比的确定性微分方程。
• 引入两阶段分析：第一阶段关注度为1的顶点，第二阶段关注剩余的次临界图。
• 采用修改后的微分方程组来控制度分布，并证明在第一阶段后度分布具有指数尾部衰减。
• 利用集中性论证和依概率收敛，证明经验度分布收敛到其流体极限。

实验结果

研究问题

• RQ1 在何种度分布条件下，度贪心算法在配置模型图中寻找独立集是渐近最优的？
• RQ2 能否使用顺序贪心算法表征稀疏随机图的渐近独立数？
• RQ3 度贪心算法在大稀疏图中是否能达到与最大独立集相同的渐近性能？
• RQ4 度贪心探索后剩余图的结构与原始度分布有何关系？

主要发现

• 在温和的矩条件之下，度贪心算法获得的独立集大小渐近等于最大可能值，且误差衰减快于任何正幂次的n。
• 对于稀疏Erdős-Rényi图，结果恢复并为匹配和独立集问题中著名的“e-现象”提供了新的表征。
• 第一阶段结束后剩余图的度分布即使在初始分布具有重尾的情况下，仍表现出指数衰减尾部。
• 探索过程的流体极限收敛到一组微分方程，能准确描述大图中各类度数的演化。
• 在剩余次临界图上的第二阶段对最终独立集大小的贡献可忽略不计，从而证明了第一阶段聚焦于度为1顶点的合理性。
• 通过一致可积性和集中性论证，建立了经验测度对流体极限的收敛性，确保了渐近结果的稳健性。