[论文解读] Flow-augmentation II: Undirected graphs

Eun Jung Kim, Stefan Kratsch+2 more|arXiv (Cornell University)|Jul 17, 2020

Engineering Technology and Methodologies被引用 11

一句话总结

本论文为无向图提出了一种随机化流增广技术，给定一个大小至多为 $k$ 的 $st$-割 $Z$，该技术可将 $Z$ 在增广图 $G+A$ 中成为最小割的概率提升至 $2^{-\mathcal{O}(k\log k)}$。该方法的时间复杂度为 $k^{\mathcal{O}(1)} \cdot (|V|+|E|)$，并使得诸如双目标 $st$-割等问题的固定参数可满足算法成为可能。

ABSTRACT

We present an undirected version of the recently introduced flow-augmentation technique: Given an undirected multigraph $G$ with distinguished vertices $s,t \\in V(G)$ and an integer $k$, one can in randomized $k^{O(1)} \\cdot (|V(G)| + |E(G)|)$ time sample a set $A \\subseteq \\binom{V(G)}{2}$ such that the following holds: for every inclusion-wise minimal $st$-cut $Z$ in $G$ of cardinality at most $k$, $Z$ becomes a minimum-cardinality cut between $s$ and $t$ in $G+A$ (i.e., in the multigraph $G$ with all edges of $A$ added) with probability $2^{-O(k \\log k)}$. Compared to the version for directed graphs [STOC 2022], the version presented here has improved success probability ($2^{-O(k \\log k)}$ instead of $2^{-O(k^4 \\log k)}$), linear dependency on the graph size in the running time bound, and an arguably simpler proof. An immediate corollary is that the Bi-objective $st$-Cut problem can be solved in randomized FPT time $2^{O(k \\log k)} (|V(G)|+|E(G)|)$ on undirected graphs.

研究动机与目标

• 开发一种专用于无向图的流增广技术，其成功概率和运行时间优于以往针对有向图的方法。
• 为解决无向图中的固定参数可满足（FPT）问题，提供一种更简单、更高效的算法框架。
• 解决参数复杂性领域中的开放问题，例如无向图中双目标 $st$-割问题的 FPT 可满足性。
• 为参数化算法的进一步应用奠定基础，特别是在图分离和约束满足问题方面。
• 提供一种与图大小呈线性依赖关系、且相比以往有向图工作的成功概率更高的随机化算法。

提出的方法

• 该算法采样一个边多重集 $A$，使得对于任意符合条件的大小为 $k$ 的 $st$-割 $Z$，$Z$ 在 $G+A$ 中成为最小割的概率为 $2^{-\mathcal{O}(k\log k)}$。
• 它基于残差流结构和残差图中的连通性，对图进行基于块和束的递归分解。
• 该方法依赖于颜色编码和可达性查询，以识别关键顶点集和流路径，确保与目标割 $Z$ 的兼容性。
• 它维护一个在 $G+A$ 中大小为 $\lambda^*$ 的最大流 $\widehat{\mathcal{P}}$，该最大流保证每条路径恰好与 $Z$ 相交于一条边。
• 该算法确保所有添加的边 $A$ 均位于 $G-Z$ 中 $s$ 和 $t$ 所在的同一连通分量内，从而保持结构兼容性。
• 运行时间被限制在 $k^{\mathcal{O}(1)} \cdot (|V| + |E|)$ 以内，且每个顶点的处理次数在多项式有界递归调用中完成。

实验结果

研究问题

• RQ1 无向图的流增广技术能否在成功概率上优于以往针对有向图的方法？
• RQ2 能否在保持强成功保证的前提下，使运行时间与图大小呈线性关系？
• RQ3 是否可能在无向图中简化证明和算法框架，使其相比有向图情况更为简洁？
• RQ4 该技术能否用于解决无向图中双目标 $st$-割问题的 FPT 可满足性？
• RQ5 更高的成功概率是否能在实践中实现更高效的 FPT 算法？

主要发现

• 该算法在使任意符合条件的大小为 $k$ 的 $st$-割 $Z$ 成为 $G+A$ 中的最小割时，成功概率达到 $2^{-\mathcal{O}(k\log k)}$，显著优于有向图版本中的 $2^{-\mathcal{O}(k^4\log k)}$ 上限。
• 运行时间为 $k^{\mathcal{O}(1)} \cdot (|V| + |E|)$，与图大小呈线性依赖关系，这是相较于有向图版本中未明确指定的多项式次数的重要改进。
• 该方法在 $G+A$ 中构建了一个大小为 $\lambda^*$ 的最大流 $\widehat{\mathcal{P}}$，其每条路径恰好与 $Z$ 相交一次，从而确保了结构兼容性。
• 该算法相比其有向图对应版本更为简洁且模块化，尽管概率分析较为复杂，但其证明结构更清晰。
• 该技术使得双目标 $st$-割问题的随机化 FPT 算法成为可能，其运行时间为 $2^{\mathcal{O}(k\log k)} \cdot (|V| + |E|)$。
• 该方法可通过颜色编码实现去随机化，表明确定性版本是可行的，尽管未显式构造。