[論文レビュー] Improved Parallel Algorithms for Spanners and Hopsets

Gary L. Miller, Richard Peng+2 more|arXiv (Cornell University)|Sep 13, 2013

Complexity and Algorithms in Graphs参考文献 6被引用数 7

ひとこと要約

本稿では、指数的開始時間クラスタリングを用いた、スパンナとホップセットを構築するための改善された並列アルゴリズムを提示する。線形の作業量と多対数的深さを達成する。確率的クラスタリングにより直径制約を緩和し、最適なストレッチとサイズバウンドを達成する未重み付きおよび重み付きグラフの両方において、作業量最適な効率的な構築を可能にする。$O(m\operatorname{poly}\log n)$ の作業量を有する、非有向グラフにおける近似最短経路のための最初の並列アルゴリズムを実現する。

ABSTRACT

We use exponential start time clustering to design faster and more work-efficient parallel graph algorithms involving distances. Previous algorithms usually rely on graph decomposition routines with strict restrictions on the diameters of the decomposed pieces. We weaken these bounds in favor of stronger local probabilistic guarantees. This allows more direct analyses of the overall process, giving: * Linear work parallel algorithms that construct spanners with $O(k)$ stretch and size $O(n^{1+1/k})$ in unweighted graphs, and size $O(n^{1+1/k} \log k)$ in weighted graphs. * Hopsets that lead to the first parallel algorithm for approximating shortest paths in undirected graphs with $O(m\;\mathrm{polylog}\;n)$ work.

研究の動機と目的

• スパンナやホップセットといった距離関連問題のための、より高速かつ作業量に優れた並列グラフアルゴリズムの設計。
• 従来の低径路グラフ分解における厳密な径路制約を、より強い局所的確率的保証に置き換えることによる緩和。
• 階層的クラスタリングプロセスを複数レベルにわたって独立して確率的解析可能にする。これにより、段階的分解に起因する累積誤差を低減する。
• 非有向グラフにおける最短経路の近似を、$O(m\operatorname{poly}\log n)$ の作業量で達成する最初の並列アルゴリズムを実現すること。
• これらの技術を、最適なストレッチとサイズ保証を有する未重み付きおよび重み付き両方のグラフに拡張すること。

提案手法

• 指数的開始時間クラスタリングを用いて、階層的レベル間の依存性を低減する確率的に良好に振る舞うクラスタを生成する。
• 1ラウンドのクラスタリングに追加の辺を追加することで、未重み付きグラフでは $O(k)$ ストレッチ、$O(n^{1+1/k})$ サイズのスパンナを構築し、重み付きグラフでは $O(n^{1+1/k}\log k)$ サイズを達成する。
• 逆方向解析を用いて歪みをバウンドする。これには、未知の最適な $s$-$t$ パスを1つ追跡し、それが分解によってどのくらいの頻度で切断されるかを分析する。
• 重み付き設定では重み付き並列BFSと階層的クラスタリングを用い、辺の重みのバケット化と丸めを用いて比を管理する。
• ラミナ構造を用いて、分解とBFSステップが、有界な深さと作業量で効率的に並列化可能であることを保証する。
• 調整可能な $\beta$ と $n_{\text{final}}$ を用いたパラメータ化再帰を導入し、深さとホップ数を制御することで、作業量と深さのトレードオフを可能にする。

実験結果

リサーチクエスチョン

• RQ1 指数的開始時間クラスタリングを用いて、スパンナやホップセットのための、より作業量に優れた並列アルゴリズムを設計できるか？
• RQ2 クラスタリングにおける確率的保証をどのように活用し、階層的グラフ分解における厳密な径路制約を緩和できるか？
• RQ3 非有向グラフにおける並列近似最短経路の作業量を $O(m\operatorname{poly}\log n)$ に抑えることは可能か？
• RQ4 この手法によるホップセット構築において、深さ、作業量、近似品質の間のトレードオフは何か？
• RQ5 階層的クラスタリングプロセスを、各レベルごとに局所的確率的バウンドを用いて独立して解析可能か？これにより累積誤差が低減されるか？

主な発見

• 本稿では、未重み付きグラフにおいて、$O(k)$ ストレッチ、$O(n^{1+1/k})$ サイズのスパンナを構築する線形作業量の並列アルゴリズムを提示する。深さは $O(\log n \log^* n)$ である。
• 辺の重み比が $U$ の重み付きグラフでは、$O(\log U \log n \log^* n)$ の深さで $O(m)$ の作業量を有し、$O(n^{1+1/k}\log k)$ のサイズのスパンナを構築する。
• 非有向グラフにおける $(1+\epsilon)$-近似最短経路のための最初の並列アルゴリズムを達成した。作業量は $O(m\epsilon^{-2-\alpha}\log^{3+\alpha}n)$、深さは $O(n^{(4+\alpha)/(4+2\alpha)}\epsilon^{-1-\alpha}\log^2 n \log^* n)$ である。
• 具体的なインスタンス化により、任意の定数 $\epsilon'$ に対して、$O(n^{0.96}\log^2 n \log^* n)$ の深さと $O(m\log^{3.2}n)$ の作業量を達成する。$O(\operatorname{poly}\log n)$ の深さと $O(m\operatorname{poly}\log n)$ の作業量を有する。
• ホップセット構築では、期待されるホップ数が $O(n^{1+1/\delta+\eta+\gamma_1(1-1/\delta)-\gamma_2}/\epsilon^{1-\gamma_2})$、歪みが $O(\epsilon d)$ である。これにより、効率的な最短経路近似が可能になる。
• 段階的分解に起因する累積誤差を回避するため、各レベルを独立した確率的事象として扱うことで、より緊密な解析と改善されたバウンドを実現する。