Let $n$ be the size of a parametrized problem and $k$ the parameter. We present a full kernel for Path Contraction and Cluster Editing/Deletion as well as a kernel for Feedback Vertex Set whose sizes are all polynomial in $k$, that are computable in polynomial time, and use $O(\rm{poly}(k) \log n)$ bits. By first executing the new kernelizations and subsequently the best known polynomial-time kernelizations for the problem under consideration, we obtain the best known kernels in polynomial time with $O(\rm{poly}(k) \log n)$ bits.


翻译:允许 $n 用于 平衡 问题 大小 和 $k 参数 。 我们为 路径 合同 和 集束 编辑/ 删除 提供了 完整 内核 以及 反馈 Vertex Set 的 内核, 其大小都是 美元 的多数值, 在 多元时间中可以计算, 并使用 $( rm{poly} (k)\ log n) 位元 。 我们首先执行 新的 内核, 并随后为 所考虑 的 问题, 我们用 $( rm{ poly} (k)\ log n 位元获得 多数值 中最已知的内核 。

0
下载
关闭预览

相关内容

最新《图嵌入组合优化》综述论文,40页pdf
专知会员服务
34+阅读 · 2020年9月7日
因果图,Causal Graphs,52页ppt
专知会员服务
246+阅读 · 2020年4月19日
知识图谱本体结构构建论文合集
专知会员服务
106+阅读 · 2019年10月9日
【SIGGRAPH2019】TensorFlow 2.0深度学习计算机图形学应用
专知会员服务
39+阅读 · 2019年10月9日
Keras实例:PointNet点云分类
专知
6+阅读 · 2020年5月30日
图表示学习Graph Embedding综述
AINLP
33+阅读 · 2020年5月17日
分布式并行架构Ray介绍
CreateAMind
9+阅读 · 2019年8月9日
Graph Neural Network(GNN)最全资源整理分享
深度学习与NLP
339+阅读 · 2019年7月9日
使用vae与sac实现简单自动驾驶
CreateAMind
9+阅读 · 2019年6月6日
Transferring Knowledge across Learning Processes
CreateAMind
28+阅读 · 2019年5月18日
图嵌入(Graph embedding)综述
人工智能前沿讲习班
449+阅读 · 2019年4月30日
disentangled-representation-papers
CreateAMind
26+阅读 · 2018年9月12日
【NIPS2018】接收论文列表
专知
5+阅读 · 2018年9月10日
Adversarial Variational Bayes: Unifying VAE and GAN 代码
CreateAMind
7+阅读 · 2017年10月4日
Arxiv
0+阅读 · 2021年4月28日
Arxiv
0+阅读 · 2021年4月27日
Arxiv
0+阅读 · 2021年4月27日
Arxiv
4+阅读 · 2017年10月30日
VIP会员
相关资讯
Keras实例:PointNet点云分类
专知
6+阅读 · 2020年5月30日
图表示学习Graph Embedding综述
AINLP
33+阅读 · 2020年5月17日
分布式并行架构Ray介绍
CreateAMind
9+阅读 · 2019年8月9日
Graph Neural Network(GNN)最全资源整理分享
深度学习与NLP
339+阅读 · 2019年7月9日
使用vae与sac实现简单自动驾驶
CreateAMind
9+阅读 · 2019年6月6日
Transferring Knowledge across Learning Processes
CreateAMind
28+阅读 · 2019年5月18日
图嵌入(Graph embedding)综述
人工智能前沿讲习班
449+阅读 · 2019年4月30日
disentangled-representation-papers
CreateAMind
26+阅读 · 2018年9月12日
【NIPS2018】接收论文列表
专知
5+阅读 · 2018年9月10日
Adversarial Variational Bayes: Unifying VAE and GAN 代码
CreateAMind
7+阅读 · 2017年10月4日
Top
微信扫码咨询专知VIP会员