[论文解读] Perfect Matchings in Õ(n^{1.5}) Time in Regular Bipartite Graphs

Ashish Goel, Michael Kapralov+1 more|ArXiv.org|Feb 10, 2009

Complexity and Algorithms in Graphs参考文献 15被引用 4

一句话总结

本文提出了一种随机化算法，可在期望时间 Õ(n^{1.5}) 内找到 d-正则二分图中的完美匹配，显著优于先前的界限。该方法采用两阶段采样方案——首先进行均匀采样以减少边数，然后进行非均匀采样以保留匹配结构——随后在稀疏子图上应用 Hopcroft-Karp 算法，从而在稠密正则图中实现最优性能。

ABSTRACT

We consider the well-studied problem of finding a perfect matching in $d$-regular bipartite graphs with $2n$ vertices and $m = nd$ edges. While the best-known algorithm for general bipartite graphs (due to Hopcroft and Karp) takes $O(m \sqrt{n})$ time, in regular bipartite graphs, a perfect matching is known to be computable in $O(m)$ time. Very recently, the $O(m)$ bound was improved to $O(\min\{m, \frac{n^{2.5}\ln n}{d}\})$ expected time, an expression that is bounded by $ ilde{O}(n^{1.75})$. In this paper, we further improve this result by giving an $O(\min\{m, \frac{n^2\ln^3 n}{d}\})$ expected time algorithm for finding a perfect matching in regular bipartite graphs; as a function of $n$ alone, the algorithm takes expected time $O((n\ln n)^{1.5})$. To obtain this result, we design and analyze a two-stage sampling scheme that reduces the problem of finding a perfect matching in a regular bipartite graph to the same problem on a subsampled bipartite graph with $O(n\ln n)$ edges that has a perfect matching with high probability. The matching is then recovered using the Hopcroft-Karp algorithm. While the standard analysis of Hopcroft-Karp gives us an $ ilde{O}(n^{1.5})$ running time, we present a tighter analysis for our special case that results in the stronger $ ilde{O}(\min\{m, \frac{n^2}{d} \})$ time mentioned earlier. Our proof of correctness of this sampling scheme uses a new correspondence theorem between cuts and Hall's theorem ``witnesses'' for a perfect matching in a bipartite graph that we prove. We believe this theorem may be of independent interest; as another example application, we show that a perfect matching in the support of an $n imes n$ doubly stochastic matrix with $m$ non-zero entries can be found in expected time $ ilde{O}(m + n^{1.5})$.

研究动机与目标

• 设计一种更快的算法，用于在 d-正则二分图中寻找完美匹配，尤其当 d 较大时。
• 改进此前针对该问题已知的 O(m) 和 O(n^{1.75}) 时间界限。
• 在高概率下保持完美匹配的存在性的同时减小问题规模。
• 对采样后的正则图中 Hopcroft-Karp 算法的性能进行更紧密的分析。
• 建立割与 Hall 定理见证之间的新对应关系，以支持结构化采样。

提出的方法

• 提出两阶段采样方案：首先进行均匀采样以减小图的规模，然后进行非均匀采样以保留匹配结构。
• 在缩减后的图上使用 Benczúr-Karger 风格的采样，确保每个 Hall 见证集合中至少保留一条边。
• 利用一个新颖的对应定理，将割与 Hall 定理见证联系起来，以验证采样正确性。
• 在最终的稀疏子图（含 O(n ln n) 条边）上应用 Hopcroft-Karp 算法以恢复完美匹配。
• 对采样图上的 Hopcroft-Karp 算法进行更紧密的分析，证明其以高概率运行时间为 O(n^{1.5} ln²n / d)。
• 利用 Birkhoff-von Neumann 分解框架，将结果扩展至双随机矩阵。

实验结果

研究问题

• RQ1 d-正则二分图中的完美匹配问题能否在 d 较大时实现优于 O(m) 的时间复杂度？
• RQ2 两阶段采样过程能否在将边数减少至 O(n ln n) 的同时，以高概率保留完美匹配？
• RQ3 是否存在割与 Hall 定理见证之间的结构性对应关系，从而支持高效采样？
• RQ4 能否对采样后的正则图中的 Hopcroft-Karp 算法进行更紧密分析，以实现 Õ(n^{1.5}) 时间复杂度？
• RQ5 该采样框架能否扩展至在 n×n 双随机矩阵的支撑集中寻找匹配？

主要发现

• 本文提出了一种在 d-正则二分图中寻找完美匹配的 O(min{m, n² ln³n / d}) 期望时间算法。
• 当 d = Ω(√n ln n) 时，运行时间为 O((n ln n)^{1.5})，仅依赖于 n 的 Õ(n^{1.5}) 时间复杂度。
• 两阶段采样方案将图缩减至 O(n ln n) 条边，同时以高概率保留完美匹配。
• 证明了一个关于割与 Hall 见证之间新对应关系的定理，这是采样过程正确性的核心。
• 在采样图上，Hopcroft-Karp 算法的运行时间为 O(n^{1.5} ln²n / d)，优于标准分析。
• 该方法可扩展至在 n×n 双随机矩阵的支撑集中以 Õ(m + n^{1.5}) 期望时间找到完美匹配。