[论文解读] Optimal Bounds for the $k$-cut Problem

Anupam Gupta, David G. Harris+2 more|arXiv (Cornell University)|May 17, 2020

Complexity and Algorithms in Graphs参考文献 15被引用 6

一句话总结

本文通过证明Karger的收缩算法以概率 Ωₖ(n⁻ᵅᵏ) 输出任意固定 k-割，其权重为 αλₖ，从而解决了 k-割问题，得出寻找最小 k-割的最优 O(nᵏ logⁿ) 时间算法，并获得其数量的紧致界。该结果弥合了通用加权图中最佳已知上界与条件下界之间的差距。

ABSTRACT

In the $k$-cut problem, we want to find the lowest-weight set of edges whose deletion breaks a given (multi)graph into $k$ connected components. Algorithms of Karger \& Stein can solve this in roughly $O(n^{2k})$ time. On the other hand, lower bounds from conjectures about the $k$-clique problem imply that $Ω(n^{(1-o(1))k})$ time is likely needed. Recent results of Gupta, Lee \& Li have given new algorithms for general $k$-cut in $n^{1.98k + O(1)}$ time, as well as specialized algorithms with better performance for certain classes of graphs (e.g., for small integer edge weights). In this work, we resolve the problem for general graphs. We show that the Contraction Algorithm of Karger outputs any fixed $k$-cut of weight $αλ_k$ with probability $Ω_k(n^{-αk})$, where $λ_k$ denotes the minimum $k$-cut weight. This also gives an extremal bound of $O_k(n^k)$ on the number of minimum $k$-cuts and an algorithm to compute $λ_k$ with roughly $n^k \mathrm{polylog}(n)$ runtime. Both are tight up to lower-order factors, with the algorithmic lower bound assuming hardness of max-weight $k$-clique. The first main ingredient in our result is an extremal bound on the number of cuts of weight less than $2 λ_k/k$, using the Sunflower lemma. The second ingredient is a fine-grained analysis of how the graph shrinks -- and how the average degree evolves -- in the Karger process.

研究动机与目标

• 弥合通用加权图中 k-割问题的最佳已知上界与条件下的界之间的差距。
• 建立图中最小 k-割数量的紧致界，优于先前的 O(n¹.⁹⁸ᵏ) 界。
• 证明经典收缩算法在 k-割问题上达到最优性能，尽管此前人们认为其性能次优。
• 对收缩过程进行细粒度分析，包括收缩动态与平均度演化。
• 利用极值组合学（Sunflower 引理）与概率分析，推导出 k-割输出的紧致概率界。

提出的方法

• 使用带有自适应停止阈值 τ 的递归框架分析收缩过程，以控制收缩程度与存活概率。
• 应用 Sunflower 引理，限制权重小于 2λₖ/k 的割的数量，从而实现对小割的极值控制。
• 利用微分方程近似方法，基于边密度与割权重，建模收缩过程中存活的小割的期望数量。
• 通过集中与度演化界，建立固定 k-割在一系列收缩后存活概率的递推关系。
• 将收缩算法与递归采样及重复试验相结合，放大成功概率并枚举所有最小 k-割。
• 利用 Karger 与 Stein 提出的递归收缩框架，实现最小 k-割枚举的近最优运行时间。

实验结果

研究问题

• RQ1 经典收缩算法能否在通用加权图中实现 k-割问题的最优运行时间？
• RQ2 图中最小 k-割数量的最紧可能上界是什么？
• RQ3 收缩算法输出权重为 αλₖ 的固定 k-割的最小概率是多少？
• RQ4 能否利用极值组合学（如 Sunflower 引理）来限制小割的数量并改进算法分析？
• RQ5 k-割算法的运行时间是否与 k-团猜想所暗示的条件下界一致？

主要发现

• 收缩算法以至少 n⁻ᵅᵏ k⁻ᴼ⁽ᵅᵏ²⁾ 的概率输出任意权重为 αλₖ 的固定 k-割，证明其在一般图中达到最优性。
• 任意图中最小 k-割的数量至多为 nᵏ kᴼ⁽ᵏ²⁾，优于先前的 O(n¹.⁹⁸ᵏ) 界。
• 计算 λₖ（最小 k-割权重）的算法以高概率在时间 nᵏ (log n)ᴼ⁽ᵏ²⁾ 内运行，与最佳已知条件下的界一致。
• 枚举所有最小 k-割的算法运行时间为 nᵏ (log n)ᴼ⁽ᵏ²⁾，优于先前的 O(n¹.⁹⁸ᵏ)，甚至优于无权图的 O(nᵏ) 界。
• 在假设最大权重 k-团需要 Ω(n⁽¹⁻ᵒ⁽¹⁾ᵏ) 时间的前提下，该结果近乎紧致，表明不存在显著更快的算法。
• 分析表明，收缩过程中的平均度与图收缩速率是成功概率的关键因素，且这些因素通过微分方程建模得到严格控制。