We study weighted edge coloring of graphs, where we are given an undirected edge-weighted general multi-graph $G := (V, E)$ with weights $w : E \rightarrow [0, 1]$. The goal is to find a proper weighted coloring of the edges with as few colors as possible. An edge coloring is called a proper weighted coloring if the sum of the weights of the edges incident to a vertex of any color is at most one. In the online setting, the edges are revealed one by one and have to be colored irrevocably as soon as they are revealed. We show that $3.39m+o(m)$ colors are enough when the maximum number of neighbors of a vertex over all the vertices is $o(m)$ and where $m$ is the maximum over all vertices of the minimum number of unit-sized bins needed to pack the weights of the incident edges to that vertex. We also prove the tightness of our analysis. This improves upon the previous best upper bound of $5m$ by Correa and Goemans [STOC 2004]. For the offline case, we show that for a simple graph with edge disjoint cycles, $m+1$ colors are sufficient and for a multi-graph tree, we show that $1.693m+12$ colors are sufficient.


翻译:我们研究图表的加权边边色, 以未定向边缘加权一般多面G = (V, E) = (V, E) 美元, 加权值为 $w : E\ rightrow [0, 1] 美元。 目标是找到一个适当加权色色, 边色尽可能少。 如果边缘事件重量与任何颜色的顶点之和最大, 边色被称为适当加权色。 在网上设置中, 边点会被一个一个地显示出来, 并且一旦显示, 就会被不可调出色 : 美元 : E\ rightrowror [0, 1] 美元。 我们显示, 339 m+o(m)$的颜色足够。 当所有脊椎的顶端的最大边点为 $(m) 时, 边色色色被称为适当加权色 。 边色是最小的单位大小的垃圾桶重量到该顶点。 我们还证明了我们分析的紧度 。 $93

0
下载
关闭预览

相关内容

【干货书】'Mastering Go 第二版中文版',143页pdf
专知会员服务
48+阅读 · 2020年11月1日
一份简单《图神经网络》教程,28页ppt
专知会员服务
126+阅读 · 2020年8月2日
因果图,Causal Graphs,52页ppt
专知会员服务
250+阅读 · 2020年4月19日
深度强化学习策略梯度教程,53页ppt
专知会员服务
184+阅读 · 2020年2月1日
【新书】Python编程基础,669页pdf
专知会员服务
196+阅读 · 2019年10月10日
图机器学习 2.2-2.4 Properties of Networks, Random Graph
图与推荐
10+阅读 · 2020年3月28日
Hierarchically Structured Meta-learning
CreateAMind
27+阅读 · 2019年5月22日
Transferring Knowledge across Learning Processes
CreateAMind
29+阅读 · 2019年5月18日
Unsupervised Learning via Meta-Learning
CreateAMind
43+阅读 · 2019年1月3日
A Technical Overview of AI & ML in 2018 & Trends for 2019
待字闺中
18+阅读 · 2018年12月24日
论文浅尝 | Improved Neural Relation Detection for KBQA
开放知识图谱
13+阅读 · 2018年1月21日
ResNet, AlexNet, VGG, Inception:各种卷积网络架构的理解
全球人工智能
19+阅读 · 2017年12月17日
【推荐】ResNet, AlexNet, VGG, Inception:各种卷积网络架构的理解
机器学习研究会
20+阅读 · 2017年12月17日
分布式TensorFlow入门指南
机器学习研究会
4+阅读 · 2017年11月28日
【论文】变分推断(Variational inference)的总结
机器学习研究会
39+阅读 · 2017年11月16日
Arxiv
0+阅读 · 2021年3月1日
Arxiv
0+阅读 · 2021年3月1日
Arxiv
0+阅读 · 2021年2月28日
Arxiv
0+阅读 · 2021年2月28日
VIP会员
相关VIP内容
【干货书】'Mastering Go 第二版中文版',143页pdf
专知会员服务
48+阅读 · 2020年11月1日
一份简单《图神经网络》教程,28页ppt
专知会员服务
126+阅读 · 2020年8月2日
因果图,Causal Graphs,52页ppt
专知会员服务
250+阅读 · 2020年4月19日
深度强化学习策略梯度教程,53页ppt
专知会员服务
184+阅读 · 2020年2月1日
【新书】Python编程基础,669页pdf
专知会员服务
196+阅读 · 2019年10月10日
相关资讯
图机器学习 2.2-2.4 Properties of Networks, Random Graph
图与推荐
10+阅读 · 2020年3月28日
Hierarchically Structured Meta-learning
CreateAMind
27+阅读 · 2019年5月22日
Transferring Knowledge across Learning Processes
CreateAMind
29+阅读 · 2019年5月18日
Unsupervised Learning via Meta-Learning
CreateAMind
43+阅读 · 2019年1月3日
A Technical Overview of AI & ML in 2018 & Trends for 2019
待字闺中
18+阅读 · 2018年12月24日
论文浅尝 | Improved Neural Relation Detection for KBQA
开放知识图谱
13+阅读 · 2018年1月21日
ResNet, AlexNet, VGG, Inception:各种卷积网络架构的理解
全球人工智能
19+阅读 · 2017年12月17日
【推荐】ResNet, AlexNet, VGG, Inception:各种卷积网络架构的理解
机器学习研究会
20+阅读 · 2017年12月17日
分布式TensorFlow入门指南
机器学习研究会
4+阅读 · 2017年11月28日
【论文】变分推断(Variational inference)的总结
机器学习研究会
39+阅读 · 2017年11月16日
Top
微信扫码咨询专知VIP会员