[论文解读] Sherali-Adams Integrality Gaps Matching the Log-Density Threshold

Eden Chlamtáč, Pasin Manurangsi|arXiv (Cornell University)|Apr 20, 2018

Complexity and Algorithms in Graphs被引用 1

一句话总结

本文在对数密度阈值下，为若干基础问题（包括Densest k-Subgraph、Minimum p-Union和Small Set Bipartite Vertex Expansion）建立了匹配的Sherali-Adams积分间隙。通过构造超图实例，使该层次无法区分随机结构与植入子结构，为这些问题的最佳已知近似比在对数密度猜想下为最优提供了有力证据。

ABSTRACT

The log-density method is a powerful algorithmic framework which in recent years has given rise to the best-known approximations for a variety of problems, including Densest-$k$-Subgraph and Bipartite Small Set Vertex Expansion. These approximations have been conjectured to be optimal based on various instantiations of a general conjecture: that it is hard to distinguish a fully random combinatorial structure from one which contains a similar planted sub-structure with the same "log-density". We bolster this conjecture by showing that in a random hypergraph with edge probability $n^{-\alpha}$, $ ilde\Omega(\log n)$ rounds of Sherali-Adams with cannot rule out the existence of a $k$-subhypergraph with edge density $k^{-\alpha-o(1)}$, for any $k$ and $\alpha$. This holds even when the bound on the objective function is lifted. This gives strong integrality gaps which exactly match the gap in the above distinguishing problems, as well as the best-known approximations, for Densest $k$-Subgraph, Smallest $p$-Edge Subgraph, their hypergraph extensions, and Small Set Bipartite Vertex Expansion (or equivalently, Minimum $p$-Union). Previously, such integrality gaps were known only for Densest $k$-Subgraph for one specific parameter setting.

研究动机与目标

• 为对数密度阈值在关键NP难问题近似算法中的最优性提供强有力证据。
• 通过将已知界限扩展至Densest k-Subgraph的特殊情形α = 1/2之外，弥合积分间隙结果的空白。
• 通过统一的超图构造，整合对数密度框架下多个问题的积分间隙分析。
• 支持在稀疏随机超图中区分随机结构与植入子结构的猜想难度。
• 为未来更强的层次（如Sum-of-Squares）的下界研究奠定基础。

提出的方法

• 构造一个边概率为n−α的随机c-均匀超图，其中α ∈ (0,1)，并在其中植入一个k-子超图，其边密度为k−α−o(1)。
• 对DkSH、Minimum p-Union和SSBVE的标准LP松弛应用˜Ω(log n)轮Sherali-Adams提升。
• 引入一种新颖的参数化方法，使用β = α/(c−1)和β = α/((c−1)(c−α))来调节植入子超图的密度与大小。
• 证明Sherali-Adams层次无法排除在边概率为n−α的随机实例中存在边密度为k−α−o(1)的k-子超图。
• 利用超图关联图，建立Minimum p-Union与Small Set Bipartite Vertex Expansion之间的等价性。
• 应用定理9，推导出与各问题已知近似比完全匹配的积分间隙。

实验结果

研究问题

• RQ1 Sherali-Adams层次在Densest k-Subgraph的所有参数范围内，是否都能在对数密度阈值下建立积分间隙？
• RQ2 这些积分间隙是否可推广至超图扩展及相关问题（如Minimum p-Union和Small Set Bipartite Vertex Expansion）？
• RQ3 能否通过证明即使强大的LP层次（如Sherali-Adams）也无法突破该阈值，从而强化对数密度猜想？
• RQ4 是否存在一种统一构造，可在对数密度框架下为多个问题生成匹配的积分间隙？
• RQ5 Sherali-Adams层次在捕捉这些问题真实难度方面存在何种局限性，特别是在基本SDP也失效的区域？

主要发现

• 本文建立了˜Ω(log n)轮Sherali-Adams积分间隙，其值与Densest k-Subgraph的最佳已知近似比完全匹配，当k = nα时，间隙为nα(1−α)−o(1)。
• 对于Minimum p-Union，积分间隙为nα(c−1−α)/((c−1)(c−α))−o(1)，与已知近似阈值完全一致。
• 对于Small Set Bipartite Vertex Expansion，积分间隙为|L|γ(1−γ)−o(1)，其中|L|为二分图左部的大小，与对数密度阈值完全匹配。
• 该构造适用于所有α ∈ (0,1)和k ≤ n，而不仅限于此前研究的特殊情形α = 1/2，显著推广了先前结果。
• 积分间隙是紧致的：Sherali-Adams层次无法排除在边概率为n−α的随机超图中存在边密度为k−α−o(1)的k-子超图。
• 结果为对数密度阈值在这些问题中为最优提供了强有力证据，因为目前尚无已知的LP层次能超越该阈值。