Core Concepts
Die Autoren entwickeln Approximationsalgorithmen für die Probleme Sparsest Cut und Small Set Expansion, deren Approximationsrate eine Funktion der Größe des optimalen Schnitts ist. Insbesondere zeigen sie einen O(log k)-Approximationsalgorithmus für Small Set Expansion und einen O(log^2 k)-Approximationsalgorithmus für Sparsest Cut, die in fast-linearer Zeit laufen.
Abstract
Die Arbeit befasst sich mit der effizienten Approximation der Probleme Sparsest Cut und Small Set Expansion, bei denen das Ziel ist, einen Schnitt mit minimaler Dichte zu finden. Die Autoren entwickeln dafür zwei Haupttechniken:
Sample-Sets für dünne Schnitte: Die Autoren erweitern das Konzept der Sample-Sets von Feige und Mahdian, um kleine, repräsentative Mengen von Knoten zu finden, die alle dünnen Schnitte in Proportion zu ihrer Größe abbilden. Sie zeigen sowohl obere als auch untere Schranken für solche Sample-Sets.
Ein neues "Cut-Matching-Game" für kleine, expansive Mengen: Die Autoren entwickeln eine lokale Version des Cut-Matching-Games, mit der sie in fast-linearer Zeit kleine, expansive Teilgraphen konstruieren können. Dies ermöglicht ihnen fast-lineare Approximationsalgorithmen für Sparsest Cut.
Mit Hilfe dieser Techniken erhalten die Autoren folgende Resultate:
Für Small Set Expansion einen O(log k)-Approximationsalgorithmus in Polynomialzeit.
Für Sparsest Cut einen O(log^2 k)-Approximationsalgorithmus in fast-linearer Zeit.
Für Vertex Sparsest Cut einen O(log k + log log n/φ)-Approximationsalgorithmus in Polynomialzeit und einen O(log^2 k + log^2 log n/φ)-Approximationsalgorithmus in fast-linearer Zeit.
Darüber hinaus zeigen die Autoren, dass Small Set Vertex Expansion deutlich schwieriger zu approximieren ist als die Kantenvariante. Sie beweisen Hardness-Resultate und geben einen 2^k-Approximationsalgorithmus.
Die Techniken der Autoren haben auch Anwendungen auf Probleme wie Multicut Mimicking Networks und Min-Max Graph Partitioning.
Stats
Es gibt einen Schnitt (S, S) mit |δG(S)| = k und |S| = s, so dass die Dichte φ = k/s ist.
Die Approximationsalgorithmen haben eine Laufzeit von m^(1+o(1)), wobei m die Anzahl der Kanten im Graphen ist.
Quotes
"Wir zeigen, dass es einen O(log k)-Approximationsalgorithmus für Small Set Expansion gibt."
"Wir entwickeln einen O(log^2 k)-Approximationsalgorithmus für Sparsest Cut, der in fast-linearer Zeit läuft."
"Small Set Vertex Expansion ist deutlich schwieriger zu approximieren als die Kantenvariante. Wir beweisen Hardness-Resultate und geben einen 2^k-Approximationsalgorithmus."