[論文レビュー] Massively Parallel Ruling Set Made Deterministic

Jeff Giliberti, Zahra Parsaeian|arXiv (Cornell University)|Jan 1, 2024

Scheduling and Optimization Algorithms被引用数 2

ひとこと要約

本稿は、強力に部分線形な MPC モデルにおいて、2-ルーリング集合を計算する最初の決定的で、対数未満のラウンド数を達成するアルゴリズムを提示する。このアルゴリズムは Õ(√log n) ラウンドで動作する。また、最近の確率的アルゴリズムを有界独立性を用いて決定的化することで、線形 MPC モデルにおいて定数ラウンドの決定的アルゴリズムを構築し、最良の既知の確率的複雑度と最適なグローバルメモリ使用量を達成する。

ABSTRACT

We study the deterministic complexity of the $2$-Ruling Set problem in the model of Massively Parallel Computation (MPC) with linear and strongly sublinear local memory. Linear MPC: We present a constant-round deterministic algorithm for the $2$-Ruling Set problem that matches the randomized round complexity recently settled by Cambus, Kuhn, Pai, and Uitto [DISC'23], and improves upon the deterministic $O(\log \log n)$-round algorithm by Pai and Pemmaraju [PODC'22]. Our main ingredient is a simpler analysis of CKPU's algorithm based solely on bounded independence, which makes its efficient derandomization possible. Sublinear MPC: We present a deterministic algorithm that computes a $2$-Ruling Set in $ ilde O(\sqrt{\log n})$ rounds deterministically. Notably, this is the first deterministic ruling set algorithm with sublogarithmic round complexity, improving on the $O(\log Δ+ \log \log^* n)$-round complexity that stems from the deterministic MIS algorithm of Czumaj, Davies, and Parter [TALG'21]. Our result is based on a simple and fast randomness-efficient construction that achieves the same sparsification as that of the randomized $ ilde O(\sqrt{\log n})$-round LOCAL algorithm by Kothapalli and Pemmaraju [FSTTCS'12].

研究の動機と目的

• MPC モデルにおける 2-ルーリング集合の確率的アルゴリズムと決定的アルゴリズムのギャップを埋める。
• 強力に部分線形メモリ制約下での決定的 2-ルーリング集合計算において、対数未満のラウンド複雑度を達成する。
• 線形メモリ制約下で、最良の既知の確率的ラウンド複雑度と一致する決定的定数ラウンドアルゴリズムを提供する。
• CKPU アルゴリズムを有界独立性の下で分析することで、効率的なデランドマイゼーションを可能にする。
• Kothapalli と Pemmaraju の確率的 LOCAL アルゴリズムと同等の性能を達成する、ランダムネス効率の良いスパarsification技法を構築する。

提案手法

• Cambus らの O(1)-ラウンド確率的 2-ルーリング集合アルゴリズム（CKPU）を、有界独立性を用いて決定的化することで、線形 MPC における決定的定数ラウンド解法を達成する。
• 高次元頂点を繰り返しサンプリングし、その近傍を削除するプロセスを段階的に繰り返すことで、グラフの最大次数を時間とともに低減するマルチフェーズのスパース化プロセスを設計する。
• Kothapalli と Pemmaraju（FSTTCS’12）のスパース化フレームワークの変種を、決定的かつランダムネス効率の良い形で用いることで、対数未満のラウンド複雑度を達成する。
• Lemma 4.1 の修正版を適用して、部分集合 V′ をサンプリングし、大多数の高次元頂点が V′ に一定割合の近傍を持つように保証することで、効果的なスパース化を実現する。
• ∆ が小さい場合に、2-ホップ近傍に対して Linial の彩色技法を適用し、O(1) ラウンドで poly(∆) 色彩を計算することで、効率的な局所計算を可能にする。
• 高次元頂点にメモリ使用量を割り当てることでグローバルメモリ使用量を最適化し、残りの頂点を処理する際に弱いサンプリング補題（Lemma 4.6）を用いることで、メモリ制限を超えないようにする。

実験結果

リサーチクエスチョン

• RQ1 線形 MPC モデルにおいて、決定的 2-ルーリング集合アルゴリズムが、最良の既知の確率的アルゴリズムと一致する定数ラウンド複雑度を達成できるか？
• RQ2 強力に部分線形 MPC 制約下で、対数未満のラウンド複雑度を達成する決定的 2-ルーリング集合アルゴリズムを設計可能か？
• RQ3 ラウンド複雑度を増加させることなく、有界独立性を活用して確率的 MPC アルゴリズムをデランドマイズすることは可能か？
• RQ4 どのようなスパース化技法が、決定的保証とメモリ効率を維持しながら、対数未満のラウンド複雑度を達成できるか？
• RQ5 部分線形 MPC モデルにおいて 2-ルーリング集合を計算する際、グローバルメモリ使用量を O(n + m) に保てるか？

主な発見

• 本稿は、線形 MPC モデルにおいて、2-ルーリング集合の決定的 O(1)-ラウンドアルゴリズムを提示し、最良の既知の確率的ラウンド複雑度と一致する。
• 確率的アルゴリズム（Cambus ら、CKPU）と同様に、最適なグローバルメモリ使用量 O(n + m) を達成する。
• 部分線形 MPC 制約下では、決定的 2-ルーリング集合計算において Õ(√log n) ラウンドを達成し、これは対数未満の決定的結果として初めてのものである。
• アルゴリズムは、有界独立性に基づく新しいスパース化技法と反復的サンプリングを用い、O(√log ∆) 回の反復後に残りのグラフの最大次数を 2^O(√log ∆) にまで低減する。
• スパース化後、残りのグラフの次数が十分に低いため、O(√log ∆ + log log* n) ラウンドで効率的な決定的 MIS 計算が可能になる。
• 高次元頂点にメモリ使用量を割り当て、残りのグラフを効率的に処理する弱いサンプリング補題（Lemma 4.6）を用いることで、グローバルメモリ使用量を O(n + m) に保つ。