[论文解读] Computing the partition function for cliques in a graph

Alexander Barvinok|arXiv (Cornell University)|May 8, 2014

Advanced Graph Theory Research参考文献 11被引用 8

一句话总结

本文提出了一种确定性算法，用于计算图中所有 m 个顶点子集的加权和，通过基于子图密度的指数加权突出高密度子图（团）。利用泰勒展开和配分函数的复零点自由分析，该算法实现了 $ n^{O(\ln m)} $ 的时间复杂度，即使在随机采样中高密度子图的概率呈指数级稀少时，也能检测到这些子图，且在温和条件下显式常数 $ \gamma = 0.06 $ 或 $ \gamma = 0.18 $ 可行。

ABSTRACT

We present a deterministic algorithm which, given a graph G with n vertices and an integer 10 is an absolute constant: we can choose gamma=0.06, and if n > 4m and m > 10, we can choose gamma=0.18. This allows us to tell apart the graphs that do not have m-subsets of high density from the graphs that have sufficiently many m-subsets of high density, even when the probability to hit such a subset at random is exponentially small in m.

研究动机与目标

• 开发一种确定性算法，用于估计图中所有 m-顶点团的指数加权密度之和，即使高密度团极为稀少。
• 即使在随机采样中高密度 m-顶点子集的概率呈指数级稀少，仍能检测到图中存在大量此类高密度子集。
• 基于新颖的分析方法，计算一个配分函数，以捕捉所有 m-顶点子集按其密度加权的贡献。
• 通过复分析和矩阵扰动技术，建立配分函数近似误差的理论界。

提出的方法

• 该算法使用单变量函数 $ f(t) = \ln P_m(J + t(W - J)) $，其中 $ P_m $ 为团的配分函数，并在 $ t = 0 $ 处使用泰勒多项式逼近来估计 $ f(1) $。
• 该方法依赖于在单位矩阵邻域的复平面上对配分函数 $ P_m $ 的复零点进行有界控制，以确保泰勒级数的收敛性。
• 它采用基于多项式对数导数的递归不等式，以控制偏导数的增长并维持无零区域。
• 证明中使用了重叠子集上多项式取值之间的复角条件，确保模的比值有界且幅角变化受控。
• 关键步骤包括定义一个接近全1矩阵的邻域 $ \mathcal{U}(\delta) $，其中 $ \delta = \omega / (m-1) $，并证明 $ P_m $ 在此区域内非零。
• 该算法递归验证了子集大小递减过程中的非零性和有界导数条件，最终保证完整配分函数非零。

实验结果

研究问题

• RQ1 是否存在一种确定性算法，可在 $ n^{O(\ln m)} $ 时间内计算图中 m-顶点团的配分函数，即使高密度团在随机采样中呈指数级稀少？
• RQ2 如何通过在对称矩阵上使用解析技术，高效近似团密度的指数加权？
• RQ3 在何种矩阵扰动条件下，可确保配分函数在复邻域内保持非零，从而支持基于泰勒展开的近似？
• RQ4 该算法在多大程度上能区分图中不存在高密度 m-子集与存在大量此类子集的情况，即使后者的概率极低？

主要发现

• 该算法在 $ n^{O(\ln m - \ln \epsilon)} $ 时间内，以相对误差 $ \epsilon $ 计算配分函数 $ \operatorname{Density}_m(G) = \sum_{|S|=m} \exp\{\gamma m \sigma(S) + O(1/m)\} $。
• 当 $ \gamma = 0.06 $ 时，该算法无条件成立；当 $ n \geq 4m $ 且 $ m \geq 10 $ 时，可实现 $ \gamma = 0.18 $，从而提升对高密度子图的敏感性。
• 该方法确保 $ f(t) = \ln P_m(J + t(W - J)) $ 在 $ t=0 $ 处的泰勒逼近具有有界加法误差，误差上界为 $ \frac{m(m-1)}{2(l+1)\beta^l(\beta-1)} $，其中 $ \beta > 1 $ 控制无零区域。
• 该算法保证存在一个 m-子集 $ S $，使得 $ \exp(\gamma m \sigma(S)) \geq \frac{1}{2} \binom{n}{m}^{-1} \operatorname{Density}_m(G) $，从而在指数加权下有效找到高密度子图。
• 证明表明，对于所有对称复矩阵 $ Z \in \mathcal{U}(\delta) $，其中 $ \delta = \omega / (m-1) $ 且 $ \omega \approx 0.061 $，有 $ P_m(Z) \neq 0 $，从而保证了解析延拓。
• 当 $ m \geq 10 $ 时，通过精细化分析可得 $ \omega = 0.181 $，从而 $ \lambda = \exp(\theta) < 2.8 $ 且 $ \sqrt{\cos \theta} > 0.7 $，在 $ n \geq 4m $ 条件下改善了误差界。