[论文解读] Improved approximation algorithm for the Dense-3-Subhypergraph Problem

Amey Bhangale, Rajiv Gandhi+1 more|arXiv (Cornell University)|Apr 27, 2017

Advanced Graph Theory Research参考文献 18被引用 5

一句话总结

本文提出了一种新的密集-3-子超图问题近似算法，将最佳已知近似比从 $ O(n^{0.69783}) $ 提升至 $ n^{0.61802} $，并引入了一种新型 $ \tilde{O}(n/k) $ 近似，显著优于先前的 $ O(n^2/k^2) $ 边界。该方法基于对数密度猜想下的结构洞察，实现了更紧致的界，并在特定情况下展现出近乎最优的性能。

ABSTRACT

The study of Dense-$3$-Subhypergraph problem was initiated in Chlamt{á}c et al. [Approx'16]. The input is a universe $U$ and collection ${\cal S}$ of subsets of $U$, each of size $3$, and a number $k$. The goal is to choose a set $W$ of $k$ elements from the universe, and maximize the number of sets, $S\in {\cal S}$ so that $S\subseteq W$. The members in $U$ are called {\em vertices} and the sets of ${\cal S}$ are called the {\em hyperedges}. This is the simplest extension into hyperedges of the case of sets of size $2$ which is the well known Dense $k$-subgraph problem. The best known ratio for the Dense-$3$-Subhypergraph is $O(n^{0.69783..})$ by Chlamt{á}c et al. We improve this ratio to $n^{0.61802..}$. More importantly, we give a new algorithm that approximates Dense-$3$-Subhypergraph within a ratio of $ ilde O(n/k)$, which improves the ratio of $O(n^2/k^2)$ of Chlamt{á}c et al. We prove that under the {\em log density conjecture} (see Bhaskara et al. [STOC'10]) the ratio cannot be better than $Ω(\sqrt{n})$ and demonstrate some cases in which this optimum can be attained.

研究动机与目标

• 将密集-3-子超图问题的近似比改进至超过先前的 $ O(n^{0.69783}) $ 边界。
• 设计一种新算法，实现显著更优的近似比 $ \tilde{O}(n/k) $，优于先前的 $ O(n^2/k^2) $ 结果。
• 在对数密度猜想下分析近似的理论极限，建立 $ \Omega(\sqrt{n}) $ 的下界。
• 识别并展示在何种情况下可达到最优近似比 $ \Omega(\sqrt{n}) $

提出的方法

• 设计一种新颖的算法框架，利用3-均匀超图的结构，选择 $ k $ 个顶点以最大化包含的超边数量。
• 引入一种精细化的分析技术，将近似比从 $ O(n^{0.69783}) $ 降低至 $ n^{0.61802} $，并借助超边分布上的组合优化。
• 通过针对超图密度结构定制的重加权与采样策略，开发一种新的 $ \tilde{O}(n/k) $-近似算法。
• 将对数密度猜想作为理论基础，证明在标准复杂度假设下，任何算法都无法获得优于 $ \Omega(\sqrt{n}) $ 的近似比。
• 利用结构分解与概率分析，识别出 $ \Omega(\sqrt{n}) $ 下界为紧致的实例。

实验结果

研究问题

• RQ1 密集-3-子超图问题的近似比能否超越 $ O(n^{0.69783}) $？
• RQ2 是否可能设计一种近似比为 $ \tilde{O}(n/k) $ 的算法，显著优于先前的 $ O(n^2/k^2) $？
• RQ3 在对数密度猜想下，此类问题的近似算法存在何种固有局限性？
• RQ4 在何种结构条件下，理论下界 $ \Omega(\sqrt{n}) $ 可以被实现？

主要发现

• 本文实现了新的近似比 $ n^{0.61802} $，优于先前的最佳结果 $ O(n^{0.69783}) $。
• 提出了一种新颖的算法，其近似比为 $ \tilde{O}(n/k) $，显著优于先前的 $ O(n^2/k^2) $ 边界。
• 在对数密度猜想下，本文证明了任何算法都无法获得优于 $ \Omega(\sqrt{n}) $ 的近似比，确立了理论极限。
• 本文展示了存在实例使得 $ \Omega(\sqrt{n}) $ 下界为紧致，表明该下界在实践中可被达到。