[论文解读] Practical graph isomorphism, II

Brendan D. McKay, Adolfo Piperno|arXiv (Cornell University)|Jan 8, 2013

Graph Theory and Algorithms参考文献 19被引用 13

一句话总结

本文提出 Traces，一种用于实际图同构与规范标号的新算法，在困难图类上显著优于现有工具。基于个体化-精炼范式，Traces 引入一种创新的树搜索策略，加速自同构群计算与规范标号，使其成为许多困难实例的最快已知方法，而 nauty 在小图或简单图上仍保持最优性能。

ABSTRACT

We report the current state of the graph isomorphism problem from the practical point of view. After describing the general principles of the refinement-individualization paradigm and proving its validity, we explain how it is implemented in several of the key programs. In particular, we bring the description of the best known program nauty up to date and describe an innovative approach called Traces that outperforms the competitors for many difficult graph classes. Detailed comparisons against saucy, Bliss and conauto are presented.

研究动机与目标

• 更新 nauty 算法在当前实际应用中的描述。
• 提出 Traces 作为图同构与规范标号的新高效算法。
• 在多种图族中对比 Traces、nauty、saucy、Bliss 和 conauto 的性能，评估性能权衡。
• 识别各工具的优势与局限，特别是对困难或结构化图类的影响。
• 为实际图同构工具提供全面基准。

提出的方法

• Traces 实现了个体化-精炼范式，并采用一种新颖的树搜索策略，以提升剪枝效率与搜索效率。
• 其使用优化的搜索树结构，可实现自同构的早期检测与更快收敛。
• 该算法通过顶点个体化与划分精炼，系统性地探索自同构群并计算规范形式。
• Traces 利用稀疏数据结构与优化剪枝技术，减少搜索空间并提升性能。
• 实现中集成了先进的启发式方法，用于选择需个体化的顶点，以最小化搜索树深度。
• 性能通过一组多样化的测试图进行评估，包括组合图、强正则图及高度对称图。

实验结果

研究问题

• RQ1 Traces 在各类图类上与 nauty、saucy、Bliss 和 conauto 的性能相比如何？
• RQ2 Traces 中哪些特定的算法创新导致其在困难图上表现更优？
• RQ3 尽管 Traces 采用先进的搜索策略，为何 nauty 在小图或简单图上仍更快？
• RQ4 图的结构性质（如对称性、连通分量结构）在多大程度上影响各工具的性能？
• RQ5 预处理技术（如规则子结构的因子分解）是否能进一步提升性能？

主要发现

• Traces 在测试的大多数困难图类（包括强正则图与对称图）上优于所有其他工具。
• 对于小图与简单图族，nauty 仍为最快，表明其在大规模处理场景中持续保持主导地位。
• Traces 凭借其优化的树搜索策略，在困难实例上实现显著性能提升，比以往方法更有效地减少搜索空间。
• Saucy 与 Bliss 在稀疏图或高度对称图上表现强劲，但在许多困难情况下仍被 Traces 超越。
• Conauto 与 Bliss 对具有不相交或最小重叠连通分量的图具有专门处理机制，而 nauty 与 Traces 当前尚未对此类情况做优化。
• 研究证实，没有单一算法能主导所有图类，但 Traces 现已领先于所测试的最困难实例。