[论文解读] The Dense k Subgraph problem

Doron Goldstein, Michael Langberg|arXiv (Cornell University)|Dec 29, 2009

Advanced Graph Theory Research参考文献 11被引用 7

一句话总结

本硕士论文通过为Densest-at-most-k-Subgraph（DamkS）变种提出一种新算法（A6），将Densest k Subgraph（DkS）问题的近似比从 $ n^{0.32258} $ 提升至 $ n^{0.3159} $。该方法结合了对现有算法的精细化分析与一种新颖的随机采样技术，利用Chernoff不等式和Markov不等式对期望子图密度与大小进行边界估计，通过精确的网格计算与误差分析，实现了更紧致的最坏情况比。

ABSTRACT

Given a graph G = (V,E) and a parameter k, we consider the problem of finding a subset U in V of size k that maximizes the number of induced edges (DkS). We improve upon the previously best known approximation ratio for DkS, a ratio that has not seen any progress during the last decade. Specifically, we improve the approximation ratio from n^{0.32258} to n^{0.3159}. The improved ratio is obtained by studying a variant to the DkS problem in which one considers the problem of finding a subset U in V of size at most k that maximizes the number of induced edges. Finally, we study the DkS variant in which one considers the problem of finding a subset U in V of size at least k that maximizes the number of induced edges.

研究动机与目标

• 提升Densest k Subgraph（DkS）问题的长期近似比，该问题在过去十余年中未取得进展。
• 通过引入新的算法组件，分析并增强Feige等人（2001年）提出的原始组合算法（A1–A5）的性能。
• 研究DkS的DamkS与DalkS变种，特别关注DamkS问题作为改进DkS近似比的路径。
• 开发一个基于C程序的精确计算框架，采用细粒度网格以界定最坏情况下的近似比与误差。

提出的方法

• 为DamkS问题提出一种新的随机化算法A6，通过基于度阈值与邻域结构的顶点采样，构建稠密子图。
• 利用Chernoff不等式与Markov不等式证明，采样子图S2的期望大小与边数在非可忽略概率下保持在期望值的常数因子范围内。
• 采用两阶段采样策略：首先选取高阶顶点（S1），然后采样其邻居（S2），通过仔细平衡参数以最大化期望密度。
• 在 $ d^* $、$ d_H $ 与 $ k $ 上构建三维网格，采用指数间隔取值，精度 $ \Delta = 0.00001 $，以计算最坏情况下的近似比。
• 将总误差界计算为 $ \delta_{\text{err}} = \frac{4}{3}\Delta $，该结果源于对数比对参数的线性依赖关系，确保了紧致的最坏情况保证。
• 将新算法A6与原始A1–A5结合，利用C程序在网格上评估最大比值，计算最终的近似比。

实验结果

研究问题

• RQ1 Densest k Subgraph问题的近似比能否突破长期存在的 $ n^{0.32258} $ 上限？
• RQ2 DamkS变种是否能提供更优的近似算法，从而用于改进DkS？
• RQ3 在不同图参数区域组合多种算法策略时，可达到的最紧致最坏情况近似比是多少？
• RQ4 如何构建一个具有有界误差的计算框架，以在离散化存在的情况下验证理论近似比？

主要发现

• DkS问题的近似比从 $ n^{0.32258} $ 提升至 $ n^{0.3159} $，在超过十年停滞之后实现了非平凡的改进。
• 新算法A6针对DamkS问题，实现了 $ \left( \frac{d_H^4 k}{(d^*)^4} \right)^{1/3} $ 的比值，并成功整合进整体近似方案。
• 使用 $ \Delta = 0.00001 $ 的C程序在网格上计算最坏情况比，总误差界为 $ \delta_{\text{err}} = 0.0000433 $，确保最终比值被紧密界定。
• 分析表明，采样子图S2的期望大小与边数以至少 $ \frac{1}{16n^4} $ 的概率保持在期望值的2倍以内，确保高概率成功。
• 将A6整合进算法组合后，整体比值降低了约0.00667，证明了新方法的有效性。
• 结果证实，DamkS问题是改进DkS的可行路径，因为新算法对整体比值的提升起到了关键作用。