[论文解读] Optimal PSPACE-Hardness of Approximating Set Cover Reconfiguration

Shuichi Hirahara, Naoto Ohsaka|arXiv (Cornell University)|Jan 1, 2024

Interconnection Networks and Systems被引用 2

一句话总结

该论文建立了 MINMAX SET COVER RECONFIGURATION 和 MINMAX HYPERGRAPH VERTEX COVER RECONFIGURATION 的最优 PSPACE-难近似下界，证明这两个问题都无法在优于 $2 - \frac{1}{\text{polyloglog}\,N}$ 的因子内被近似，其中 $N$ 为全集大小。作者引入了 FGLSS 归约的重配置类比，并利用亚常数误差的可概率检查重配置证明系统，实现了紧致的不可近似性界，从而解决了关于这些问题的 2-因子近似算法最优性的开放问题。

ABSTRACT

In the Minmax Set Cover Reconfiguration problem, given a set system $\mathcal{F}$ over a universe and its two covers $\mathcal{C}^\mathsf{start}$ and $\mathcal{C}^\mathsf{goal}$ of size $k$, we wish to transform $\mathcal{C}^\mathsf{start}$ into $\mathcal{C}^\mathsf{goal}$ by repeatedly adding or removing a single set of $\mathcal{F}$ while covering the universe in any intermediate state. Then, the objective is to minimize the maximize size of any intermediate cover during transformation. We prove that Minmax Set Cover Reconfiguration and Minmax Dominating Set Reconfiguration are $\mathsf{PSPACE}$-hard to approximate within a factor of $2-\frac{1}{\operatorname{polyloglog} N}$, where $N$ is the size of the universe and the number of vertices in a graph, respectively, improving upon Ohsaka (SODA 2024) and Karthik C. S. and Manurangsi (2023). This is the first result that exhibits a sharp threshold for the approximation factor of any reconfiguration problem because both problems admit a $2$-factor approximation algorithm as per Ito, Demaine, Harvey, Papadimitriou, Sideri, Uehara, and Uno (Theor. Comput. Sci., 2011). Our proof is based on a reconfiguration analogue of the FGLSS reduction from Probabilistically Checkable Reconfiguration Proofs of Hirahara and Ohsaka (2024). We also prove that for any constant $\varepsilon \in (0,1)$, Minmax Hypergraph Vertex Cover Reconfiguration on $\operatorname{poly}(\varepsilon^{-1})$-uniform hypergraphs is $\mathsf{PSPACE}$-hard to approximate within a factor of $2-\varepsilon$.

研究动机与目标

• 填补已知的 2-因子近似与这些问题是最佳已知不可近似性结果之间的差距，针对 MINMAX SET COVER RECONFIGURATION 和 MINMAX HYPERGRAPH VERTEX COVER RECONFIGURATION。
• 通过证明紧致的 PSPACE-难近似性，为重配置问题建立一个精确的不可近似性阈值。
• 证明 2-因子近似对这些问题是最优的，从而解决重配置复杂性中的一个开放问题。
• 将 FGLSS 归约扩展到重配置设置，构建基于 PCP 的不可近似性证明的重配置类比。
• 证明对于任意常数 $\varepsilon \in (0,1)$，在 $\text{poly}(\varepsilon^{-1})$-均匀超图上，MINMAX HYPERGRAPH VERTEX COVER RECONFIGURATION 无法在 $2 - \varepsilon$ 因子内被 PSPACE 难以近似。

提出的方法

• 从可概率检查重配置证明（PCRP）到重配置问题，开发 FGLSS 归约的重配置类比。
• 构建具有亚常数误差的有界度 PCRP 系统，以在重配置设置中实现困难性放大。
• 通过基于 PCRP 的变换，将 PARTIAL 2CSP RECONFIGURATION 归约到 LABEL COVER RECONFIGURATION，同时保持近似比。
• 设计一个多项式时间归约，从 LABEL COVER RECONFIGURATION 到 SET COVER RECONFIGURATION，使用基于变量赋值和约束的超图构造。
• 从一个标签覆盖实例构造一个超图，使得顶点覆盖对应于有效的多重赋值，同时保持重配置序列的成本结构。
• 证明超图问题中重配置序列的最小成本等于原始标签覆盖实例中的最小标签成本，从而建立完备性和可靠性。

实验结果

研究问题

• RQ1 MINMAX SET COVER RECONFIGURATION 的 2-因子近似是否最优？或者可以实现更好的近似因子？
• RQ2 重配置问题的不可近似性阈值是否可以收紧到一个精确边界，例如 $2 - \frac{1}{\text{polyloglog}\,N}$？
• RQ3 除非 PSPACE = NP，否则 MINMAX SET COVER RECONFIGURATION 的 2-因子近似是否代表了最佳可能？
• RQ4 FGLSS 归约技术是否可以被适配到重配置设置中，以实现最优的不可近似性结果？
• RQ5 对于任意常数 $\varepsilon \in (0,1)$，MINMAX HYPERGRAPH VERTEX COVER RECONFIGURATION 在 $\text{poly}(\varepsilon^{-1})$-均匀超图上是否无法在 $2 - \varepsilon$ 因子内被 PSPACE 难以近似？

主要发现

• MINMAX SET COVER RECONFIGURATION 无法在 $2 - \frac{1}{\text{polyloglog}\,N}$ 因子内被近似，其中 $N$ 为全集大小。
• 该不可近似性界是最优的，因为该问题存在一个 2-因子近似算法，且除非 PSPACE = NP，否则无法实现更优的因子。
• 该不可近似性结果同样适用于 MINMAX DOMINATING SET RECONFIGURATION，为这两个问题建立了紧致的界。
• 对于任意常数 $\varepsilon \in (0,1)$，在 $\text{poly}(\varepsilon^{-1})$-均匀超图上，MINMAX HYPERGRAPH VERTEX COVER RECONFIGURATION 无法在 $2 - \varepsilon$ 因子内被 PSPACE 难以近似，表明该类别的紧致阈值。
• 该证明引入了一种新颖的重配置类比 FGLSS 归约，利用亚常数误差的 PCRP 系统，实现了最优的不可近似性。