[论文解读] Finding a maximum induced degenerate subgraph faster than 2^n

Marcin Pilipczuk, Michał Pilipczuk|arXiv (Cornell University)|Aug 22, 2012

Advanced Graph Theory Research参考文献 12被引用 6

一句话总结

本文提出了一种随机化算法，可在 $ (2 - \varepsilon_d)^n n^{\mathcal{O}(1)} $ 时间内找到 $ n $ 个顶点图中的最大诱导 $ d $-退化子图，对任意固定的 $ d \geq 1 $ 突破了 $ 2^n $ 的时间瓶颈。该方法结合了概率采样、贪心顶点选择和暴力搜索优化，成功概率至少为 $ (2 - \varepsilon_d)^{-n} $，并证明了包含意义上的极大 $ d $-退化子图的数量至多为 $ (2 - \varepsilon_d)^n $。

ABSTRACT

In this paper we study the problem of finding a maximum induced d-degenerate subgraph in a given n-vertex graph from the point of view of exact algorithms. We show that for any fixed d one can find a maximum induced d-degenerate subgraph in randomized (2-eps_d)^n n^O(1) time, for some constant eps_d>0 depending only on d. Moreover, our algorithm can be used to sample inclusion-wise maximal induced d-degenerate subgraphs in such a manner that every such subgraph is output with probability at least (2-eps_d)^-n; hence, we prove that their number is bounded by (2-eps_d)^n.

研究动机与目标

• 打破在 $ n $ 个顶点图中寻找最大诱导 $ d $-退化子图的 $ 2^n $ 时间瓶颈。
• 为任意固定的 $ d \geq 1 $ 提供一种运行时间为 $ (2 - \varepsilon_d)^n n^{\mathcal{O}(1)} $ 的随机化算法。
• 证明包含意义上的极大诱导 $ d $-退化子图的数量受 $ (2 - \varepsilon_d)^n $ 限制，意味着可亚指数枚举。
• 探索仅靠稀疏性（通过 $ d $-退化性）是否足以使精确算法在暴力搜索之外更快。

提出的方法

• 使用随机采样策略构建候选集 $ A $ 和 $ Z $，其中 $ A $ 预期包含在最优解中，而 $ Z $ 与之不相交。
• 应用贪心选择规则（规则 2），通过参数 $ \kappa $ 控制覆盖范围与成功概率之间的权衡，迭代选择剩余图中度数较低的顶点。
• 使用概率分支规则（规则 1），以 $ 1/2 $ 的概率将顶点分配至 $ A $ 或 $ Z $，确保捕捉最优解的非可忽略概率。
• 当当前集合 $ A \cup Z $ 超过阈值 $ \alpha n $ 时，应用确定性优化步骤（规则 4），对剩余顶点进行暴力搜索以完成解。
• 利用集中不等式和概率引理，界定 $ A \subseteq X $ 且 $ Z \cap X = \emptyset $ 的概率，其中 $ X $ 是最大 $ d $-退化子图的顶点集。
• 优化常数 $ \lambda, \kappa, c, \alpha $ 以最大化基底 $ 2 - \varepsilon_d $，确保对每个固定的 $ d $ 都有 $ \varepsilon_d > 0 $。

实验结果

研究问题

• RQ1 对任意固定的 $ d \geq 1 $，能否打破寻找最大诱导 $ d $-退化子图的 $ 2^n $ 时间界限？
• RQ2 是否存在 $ \varepsilon_d > 0 $，使得包含意义上的极大诱导 $ d $-退化子图的数量受 $ (2 - \varepsilon_d)^n $ 限制？
• RQ3 能否在保持 $ (2 - \varepsilon_d)^n $ 时间复杂度的前提下对算法进行去随机化？
• RQ4 是否存在一个通用的 $ \varepsilon > 0 $，使得该问题可在 $ (2 - \varepsilon)^n n^{\mathcal{O}(1)} $ 时间内求解，且与 $ d $ 无关？
• RQ5 该结果能否推广到其他多项式可识别的有界退化性图类？

主要发现

• 对任意固定的 $ d \geq 1 $，存在常数 $ \varepsilon_d > 0 $，使得最大诱导 $ d $-退化子图可在随机化 $ (2 - \varepsilon_d)^n n^{\mathcal{O}(1)} $ 时间内找到。
• 该算法确保每个包含意义上的极大诱导 $ d $-退化子图被输出的概率至少为 $ (2 - \varepsilon_d)^{-n} $，意味着其总数至多为 $ (2 - \varepsilon_d)^n $。
• 当 $ d = 1 $ 时，算法的基底约为 $ 2 - \varepsilon_1 \approx 1.99991 $，且随着 $ d $ 增大，基底趋近于 2，其中 $ 2 - \varepsilon_6 \approx 1.999999999999999997 $。
• 该算法的成功概率下界为 $ (2 - \varepsilon_d)^{-n} $，确保 $ (2 - \varepsilon_d)^n $ 次独立运行即可以常数概率找到最大解。
• 该方法依赖于概率采样和贪心剪枝，仅在处理了少量顶点（占总顶点数的 $ \alpha n $）后才应用最终的暴力搜索阶段。
• 尽管 $ \varepsilon_d $ 值很小，但对所有 $ d $ 都严格为正，证明了对 $ d $-退化子图而言，$ 2^n $ 时间瓶颈已被打破。