[论文解读] Constant approximation algorithms for embedding graph metrics into trees and outerplanar graphs

Victor Chepoi, Feodor F. Dragan+3 more|arXiv (Cornell University)|Jul 3, 2010

Advanced Graph Theory Research参考文献 19被引用 18

一句话总结

本文提出了一种简化且改进的常数因子近似算法，用于将无权图度量嵌入树度量，其畸变因子为6，优于先前的结果。此外，本文引入了度量松弛 minors的概念，并提供了首个针对外平面度量嵌入的常数因子近似算法，利用 $K_{2,3}$-minor 作为障碍，实现了 $O(\alpha)$ 的畸变。

ABSTRACT

In this paper, we present a simple factor 6 algorithm for approximating the optimal multiplicative distortion of embedding a graph metric into a tree metric (thus improving and simplifying the factor 100 and 27 algorithms of B\\v{a}doiu, Indyk, and Sidiropoulos (2007) and B\\v{a}doiu, Demaine, Hajiaghayi, Sidiropoulos, and Zadimoghaddam (2008)). We also present a constant factor algorithm for approximating the optimal distortion of embedding a graph metric into an outerplanar metric. For this, we introduce a general notion of metric relaxed minor and show that if G contains an alpha-metric relaxed H-minor, then the distortion of any embedding of G into any metric induced by a H-minor free graph is at meast alpha. Then, for H=K_{2,3}, we present an algorithm which either finds an alpha-relaxed minor, or produces an O(alpha)-embedding into an outerplanar metric.

研究动机与目标

• 开发一种更简单且改进的常数因子近似算法，用于将无权图度量嵌入树度量。
• 将用于树嵌入的障碍基于方法扩展至外平面度量。
• 引入度量松弛 minors 的概念，作为分析无子图图度量中畸变下界的一般框架。
• 设计一种高效算法，要么将图嵌入外平面度量并实现 $O(\alpha)$ 的畸变，要么检测出一个 $\alpha$-度量松弛 $K_{2,3}$-minor。
• 建立在 $K_{2,3}$-minor-free（即外平面）度量中实现低畸变嵌入的结构性条件。

提出的方法

• 利用先前工作中提出的分解过程，简化并改进了 Bǎdoiu 等人针对树嵌入的构造。
• 引入了度量松弛 minors 的概念，将拓扑障碍的概念推广至畸变下界的分析。
• 使用 $K_{2,3}$-minor 作为禁止结构，以定义嵌入至 $K_{2,3}$-minor-free 图时畸变的下界。
• 采用基于簇的图分解，将其划分为层和单元，利用分离性和邻接性属性，确保目标外平面图中路径的连通性。
• 在大簇的单元之间应用匹配过程，以构建畸变有界的外平面嵌入。
• 通过路径长度分析，界定原始图与嵌入图中任意顶点对之间的畸变，证明 $d_G \leq d_{G'} \leq (100\lambda + 75) d_G$。

实验结果

研究问题

• RQ1 能否在保持简洁性和效率的前提下，将无权图度量嵌入树度量的近似因子降低至27以下？
• RQ2 是否存在一种适用于无子图图度量嵌入的通用障碍理论，超越树结构？
• RQ3 能否设计一种基于结构障碍（如 $K_{2,3}$-minor）的常数因子近似算法，用于外平面度量的嵌入？
• RQ4 图要实现低畸变嵌入至 $K_{2,3}$-minor-free 度量，其必要且充分条件是什么？
• RQ5 度量松弛 minors 框架能否扩展至其他禁止子图，如 $K_4$ 或 $K_{2,r}$？

主要发现

• 本文提出了一种针对无权图度量嵌入树度量的6-近似算法，优于先前最佳因子27。
• 本文引入了度量松弛 minors 的概念，表明若图 $G$ 包含一个 $\alpha$-度量松弛 $H$-minor，则任何将 $G$ 嵌入 $H$-minor-free 度量的嵌入其畸变至少为 $\alpha$。
• 对于 $H = K_{2,3}$，本文提出了一种算法，要么找到一个 $\alpha$-度量松弛 $K_{2,3}$-minor，要么生成一个 $O(\alpha)$-畸变的外平面度量嵌入。
• 该算法确保当最优畸变 $\lambda^*(G, \mathcal{O}) \leq \lambda$ 时，嵌入的畸变被限制在 $100\lambda + 75$ 以内，从而证明了常数因子近似。
• 结果可推广至无限图，当且仅当分层划分中簇的直径一致有界时，图才能实现有限畸变的树或外平面图嵌入。
• 度量松弛 minors 框架被证明是分析畸变下界和设计无子图图度量近似算法的强大工具。