[论文解读] Learning-Augmented Maximum Independent Set

Vladimir Braverman, Prathamesh Dharangutte+2 more|arXiv (Cornell University)|Jan 1, 2024

Face and Expression Recognition被引用 1

一句话总结

本文提出了针对一般图上最大独立集（MIS）问题的增强学习算法，利用一个噪声预言机，该预言机以 1/2 + ε 的概率预测某顶点是否属于某个固定的 MIS。在持续噪声设置下，算法在 O(m) 时间内实现了 Õ(√∆/ε)-近似；在非持续噪声设置下，通过 O(n/ε²) 次查询和 Õ(m) 的运行时间，实现了 O(1)-近似，从而在该预言机模型下打破了经典的 NP-难近似不可行性边界。

ABSTRACT

We study the Maximum Independent Set (MIS) problem on general graphs within the framework of learning-augmented algorithms. The MIS problem is known to be NP-hard and is also NP-hard to approximate to within a factor of $n^{1-δ}$ for any $δ>0$. We show that we can break this barrier in the presence of an oracle obtained through predictions from a machine learning model that answers vertex membership queries for a fixed MIS with probability $1/2+\varepsilon$. In the first setting we consider, the oracle can be queried once per vertex to know if a vertex belongs to a fixed MIS, and the oracle returns the correct answer with probability $1/2 + \varepsilon$. Under this setting, we show an algorithm that obtains an $ ilde{O}(\sqrtΔ/\varepsilon)$-approximation in $O(m)$ time where $Δ$ is the maximum degree of the graph. In the second setting, we allow multiple queries to the oracle for a vertex, each of which is correct with probability $1/2 + \varepsilon$. For this setting, we show an $O(1)$-approximation algorithm using $O(n/\varepsilon^2)$ total queries and $ ilde{O}(m)$ runtime.

研究动机与目标

• 通过引入增强学习框架，解决一般图上 MIS 的 NP-难与近似不可行性问题。
• 设计高效算法，利用机器学习预言机预测某顶点是否属于固定 MIS 且具有有界误差。
• 在现实可行、可学习的预言机模型下，打破 MIS 的经典近似不可行阈值 n^{1−δ}。
• 探索预言机响应的持续与非持续噪声模型及其对算法设计的影响。
• 在现实的查询与时间约束下，建立可证明的近似保证与高效运行时间。

提出的方法

• 引入一种增强学习预言机，对每个顶点独立地以 1/2 + ε 的概率回答其是否属于某个固定的 MIS。
• 在持续噪声设置下，采用顶点采样与迭代过滤策略，维护一个候选独立集，并利用 2-近似顶点覆盖确保独立性。
• 在非持续噪声设置下，对每个顶点进行多次预言机查询并采用多数投票机制以增强正确性，随后进行贪心匹配与顶点删除。
• 采用递归过滤过程，在多轮中逐步减少顶点集合，同时保持 MIS 顶点保留比例的浓度界。
• 基于对数轮数的停止条件，确保在剩余顶点集合中对 MIS 大小进行高精度估计。
• 使用浓度不等式与顶点覆盖近似界分析查询复杂度与运行时间，实现 Õ(m) 的时间复杂度与 O(n/ε²) 的查询次数。

实验结果

研究问题

• RQ1 增强学习算法能否打破一般图上 MIS 的经典近似不可行性边界 n^{1−δ}？
• RQ2 当预言机提供具有偏差 ε 的噪声成员预测时，可实现何种近似保证？
• RQ3 在非持续噪声模型下，是否可能通过亚线性或 O(n) 次预言机查询实现 O(1)-近似？
• RQ4 在持续噪声模型下，是否可通过更优的算法技术或下界分析改进 Õ(√∆/ε)-近似？
• RQ5 在非持续设置下，恢复 MIS 顶点的 1−o(1) 比例至少需要多少次预言机查询？

主要发现

• 在持续噪声设置下，算法通过每个顶点仅一次预言机查询，在 O(m) 时间内实现了 Õ(√∆/ε)-近似。
• 在非持续噪声设置下，算法通过总共 O(n/ε²) 次预言机查询和 Õ(m) 的运行时间，实现了 O(1)-近似。
• 算法保证返回的独立集 I˜r 满足 |I˜r| ≥ (49/50)² · αn ≥ 48/50 · αn，达到 48/50-近似。
• 查询复杂度被限制在 30n/ε² · log(1/δ) 以内，运行时间为 O(m log n)，适用于实际部署。
• 分析表明，即使在预言机响应存在噪声的情况下，算法仍能通过重复多数投票机制在多轮中保持 MIS 顶点的浓度。
• 已证明，若不检查图的结构，仅靠预言机无法有效使用，因为纯预言机方法无法实现良好近似。