[论文解读] Sidorenko's conjecture for higher tree decompositions

David Conlon, Jeong Han Kim+2 more|arXiv (Cornell University)|May 6, 2018

Limits and Structures in Graph Theory参考文献 5被引用 3

一句话总结

本文通过使用迭代树分解，将西多伦科猜想推广到更广泛的图类，引入了‘k-强树分解’，其推广了强树分解图。通过应用熵方法和概率耦合引理，作者证明了在宿图G的度数条件较弱时，此类图满足西多伦科猜想，显著扩大了已知满足该猜想的图的范围。

ABSTRACT

This is a companion note to our paper 'Some advances on Sidorenko's conjecture', elaborating on a remark in that paper that the approach which proves Sidorenko's conjecture for strongly tree-decomposable graphs may be extended to a broader class, comparable to that given in work of Szegedy, through further iteration.

研究动机与目标

• 通过引入高阶树分解，将西多伦科猜想的适用范围从强树分解图推广至更广的图类。
• 开发一种迭代框架，用于构建保持熵基证明技术的k-强树分解。
• 证明当宿图G具有有界最大度时，具有k-强树分解的图满足西多伦科猜想。
• 通过递归熵演算，统一并扩展[1]、[2]以及西泽迪的工作[5]的先前结果。

提出的方法

• 引入在[k]上定义的马尔可夫树，其由一族子集F索引，并满足基于路径的交集条件。
• 应用一个概率引理（定理1），保证存在具有熵等于局部熵之和减去成对重叠的联合分布的随机变量Y_i。
• 将科尔莫戈罗夫延拓定理作为关键工具，从一致的局部分布构造全局随机变量。
• 通过族F的大小进行归纳，证明定理1中的熵公式，确保在重叠子集之间的一致性。
• 递归定义k-强树分解，其中每个部分本身都是强树分解可图的，并证明此类图具有与之对应的稳定k-关联分布。
• 将熵公式应用于从H到G的随机同态，推导出图像分布熵的下界。

实验结果

研究问题

• RQ1 能否将用于强树分解图的熵方法迭代地推广至更广的图类？
• RQ2 图H的何种结构条件可确保其通过高阶树分解满足西多伦科猜想？
• RQ3 如何利用熵最大化，从重叠子集上的局部分布构造一致的全局分布？
• RQ4 k-强树分解在多大程度上推广了西多伦科猜想可证图的类？
• RQ5 宿图G的何种度数条件足以确保西多伦科猜想所需的熵下界？

主要发现

• 本文证明，若宿图G的最大度不超过4|E(G)|/|V(G)|，则每个具有k-强树分解的图H均满足西多伦科猜想。
• 识别出一类新图——具有k-强树分解的图——满足西多伦科猜想，推广了先前关于强树分解图的结果。
• Hom(H,G)上k-关联分布的熵下界为|E(H)| log(2|E(G)|/|V(G)|²) + |V(H)| log|V(G)| + c_H，其中c_H仅依赖于H。
• k-关联分布的构造在分解的同构下保持不变，确保了同构子结构之间的一致性。
• 证明依赖于一种递归熵公式，通过减去重叠熵，将熵方法推广至高阶结构。
• 结果证实，通过树分解迭代应用熵方法，可得到一大类自然图，其满足西多伦科猜想。