[论文解读] Extending Bron Kerbosch for Solving the Maximum Weight Clique Problem

Brijnesh J. Jain, Klaus Obermayer|arXiv (Cornell University)|Jan 6, 2011

Graph Theory and Algorithms参考文献 1被引用 8

一句话总结

该论文将Bron-Kerbosch算法扩展至处理具有连续值顶点和边权重的图的最大权团问题，采用剪枝策略与基于柯西-施瓦茨不等式的估计方法。所提方法在多数图匹配任务中，于准确率与速度方面显著优于渐进分配法，其中团选择作为最优剪枝策略。

ABSTRACT

This contribution extends the Bron Kerbosch algorithm for solving the maximum weight clique problem, where continuous-valued weights are assigned to both, vertices and edges. We applied the proposed algorithm to graph matching problems.

研究动机与目标

• 为解决具有连续值顶点和边权重的最大权团问题缺乏高效算法的问题。
• 将Bron-Kerbosch算法扩展至处理顶点和边均具有连续值权重的加权图。
• 评估不同剪枝策略（随机、w-deg、团选择）在加权团搜索中的性能表现。
• 在真实图匹配任务中，将扩展后的Bron-Kerbosch算法与渐进分配方法进行比较。
• 评估柯西-施瓦茨估计对剪枝效率与解质量的影响。

提出的方法

• 将标准Bron-Kerbosch算法扩展，以支持输入图中顶点与边的连续值权重。
• 引入权重函数 ω(C) = Σ_{i,j∈C} α(i,j) 以计算团C的总权重，包含顶点与边的贡献。
• 采用基于柯西-施瓦茨不等式的估计 h_cs(C) = l(X̄_C) · l(Ȳ_C) 来高估任何扩展自C的极大团的剩余权重，从而实现剪枝。
• 应用剪枝策略——基本（无剪枝）、随机、w-deg（加权度）、团选择——以引导搜索并提升效率。
• 使用 deg-estimate h_deg 作为更通用的剪枝启发式方法，当适用时优先采用柯西-施瓦茨估计，因其具有更紧的上界。
• 实现递归搜索与回溯，维护三个集合：R（当前团）、P（潜在顶点）、X（被排除顶点）。

实验结果

研究问题

• RQ1 扩展后的Bron-Kerbosch算法在具有连续值顶点与边权重的最大权团问题上表现如何？
• RQ2 在随机、w-deg与团选择三种剪枝策略中，哪一种在解质量与计算成本之间提供了最佳权衡？
• RQ3 柯西-施瓦茨估计在加权设置下在多大程度上提升了剪枝效率与搜索效率？
• RQ4 在真实图匹配任务中，扩展后的Bron-Kerbosch算法与渐进分配算法在准确率与速度上的对比如何？
• RQ5 该算法在图规模与复杂度增加时是否具有良好的可扩展性？

主要发现

• 采用剪枝策略（随机、w-deg、团选择）的Bron-Kerbosch算法显著快于无剪枝的基本变体，且可扩展性更优。
• w-deg与团选择策略产生的解质量相近，但团选择在计算效率上优于w-deg策略。
• 团选择在速度与解质量上均优于随机与基本选择策略，因此作为首选剪枝策略。
• 在letter、grec与coil数据集中，扩展后的Bron-Kerbosch算法在相似度得分上显著优于渐进分配方法，且运行速度更快。
• 在mutagenesis数据集中，渐进分配算法在速度与准确率之间提供了更优的权衡，优于扩展后的Bron-Kerbosch算法。
• 柯西-施瓦茨估计能有效剪枝搜索空间并提升性能，尤其在与高效剪枝策略结合时效果显著。