[論文レビュー] Counting Triangles under Updates in Worst-Case Optimal Time

Ahmet Kara, Hung Q. Ngo+3 more|arXiv (Cornell University)|Apr 9, 2018

Data Management and Algorithms参考文献 23被引用数 9

ひとこと要約

本稿では、単一タプル更新における三角形のカウントのための、新たな増分的ビュー管理フレームワークであるIVMǫを紹介する。属性の次数に基づいて関係をヘビーやライトに分割し、評価戦略を動的に適応させることで、平均化された更新時間O(|D|^{max{ε,1−ε}})および空間使用量O(|D|^{1+min{ε,1−ε}})を達成する。これは、オンライン行列-ベクトル（OMv）予想のもとで、最悪ケース最適な更新時間である。

ABSTRACT

We consider the problem of incrementally maintaining the triangle count query under single-tuple updates to the input relations. We introduce an approach that exhibits a space-time tradeoff such that the space-time product is quadratic in the size of the input database and the update time can be as low as the square root of this size. This lowest update time is worst-case optimal conditioned on the Online Matrix-Vector Multiplication conjecture. The classical and factorized incremental view maintenance approaches are recovered as special cases of our approach within the space-time tradeoff. In particular, they require linear-time update maintenance, which is suboptimal. Our approach also recovers the worst-case optimal time complexity for computing the triangle count in the non-incremental setting.

研究の動機と目的

• 単一タプル更新における三角形カウントの最悪ケース最適な増分的メンテナンスのギャップを埋めること。
• 古典的および因子分解型IVMアプローチの最悪ケースでO(|D|)の更新時間である非最適な性能を克服すること。
• 空間と平均化更新時間の積が|D|の二乗となる空間-時間トレードオフを達成すること。
• 提案手法がOMv予想のもとで最悪ケース最適な更新時間に達していることを示すこと。
• 古典的、再帰的、因子分解型IVM手法を統一的かつ一般化する1つの適応的フレームワークに統合すること。

提案手法

• 属性の次数（例：RにおけるAの次数は、AとペアになるB値の数）に基づいて、各入力関係R、S、Tをヘビーとライトに分割する。
• 空間-時間トレードオフを調整するためのパrameter ε ∈ [0,1] を使用：空間はO(|D|^{1+min{ε,1−ε}})、更新時間はO(|D|^{max{ε,1−ε}})。
• 入力関係部のヘビー-ライト構成に応じて変化する適応的評価戦略を採用し、更新コストを最小化する。
• 更新のための定数時間delta計算を可能にするために、補助的ビュー（例：VST(b,a) = Σ_c S(b,c)·T(c,a)）を維持する。
• データベースサイズおよび属性次数の変化を反映するために、定期的にパーティショニングを再平衡化するが、再平衡化には超線形時間が必要となる可能性がある。
• 正しく性能に影響を与えない場合、冗長なパーティショニング（例：Sのパーティショニング）を破棄する最適化フェーズを適用し、空間と複雑度を削減する。

実験結果

リサーチクエスチョン

• RQ1 単一タプル更新において、増分的三角形カウントは平均化サブ線形時間で維持可能か？
• RQ2 増分的三角形カウントにおいて、空間-時間積がO(|D|^2)となる空間-時間トレードオフが存在するか？
• RQ3 OMv予想のもとで、更新時間が最悪ケース最適にできるか？
• RQ4 提案手法は、古典的、再帰的、因子分解型IVMアプローチをどのように一般化または統合するか？
• RQ5 適応的パーティショニングおよびビューの物性化は、更新および空間複雑度にどのような影響を与えるか？

主な発見

• 任意のε ∈ [0,1] に対して、IVMǫは平均化更新時間O(|D|^{max{ε,1−ε}})および空間使用量O(|D|^{1+min{ε,1−ε}})を達成し、事前処理時間はO(|D|^{3/2})である。
• パrameter ε の極端な値において、古典的IVM（O(|D|)の更新時間）および因子分解型IVM（一部の関係でO(1)の更新時間）を特別なケースとして回復する。
• 3R0 ∪ 3R1クエリにおいて、最適化フェーズにより冗長なパーティショニングが排除され、定数非平均化更新時間および線形空間が達成される。
• OMv予想のもとで、更新時間は最悪ケース最適であることが、OuMv問題への還元により示された。
• 調整可能な性能特性を備えた、正確な増分的三角形カウントのメンテナンスをサポートする。
• このアプローチは、静的データベースにおけるすべての三角形のカウントを、最悪ケース最適な時間で実行でき、列挙の下界と一致する。