[論文レビュー] Matching and MIS for Uniformly Sparse Graphs in the Low-Memory MPC Model

Sebastian Brandt, Manuela Fischer+1 more|arXiv (Cornell University)|Jul 14, 2018

Graph Theory and Algorithms参考文献 2被引用数 14

ひとこと要約

本稿では、各マシンに n^δ のメモリしか割り当てられない低メモリ MPC モデル（δ < 1）において、最大マッチングおよび最大独立集合のための最初の poly(log log n) ラウンドのアルゴリズムを提示する。著者らは、木アービトリシティ λ のグラフを poly(λ) の最大次数を持つグラフに変換する新しい次数低減技術を導入し、線形メモリの壁を打ち破り、一様にスパースなグラフにおいても部分多項式ラウンド複雑性を達成した。

ABSTRACT

The Massively Parallel Computation (MPC) model serves as a common abstraction of many modern large-scale parallel computation frameworks and has recently gained a lot of importance, especially in the context of classic graph problems. Unsatisfactorily, all current $ ext{poly} (\log \log n)$-round MPC algorithms seem to get fundamentally stuck at the linear-memory barrier: their efficiency crucially relies on each machine having space at least linear in the number $n$ of nodes. As this might not only be prohibitively large, but also allows for easy if not trivial solutions for sparse graphs, we are interested in the low-memory MPC model, where the space per machine is restricted to be strongly sublinear, that is, $n^δ$ for any $0

研究の動機と目的

• 既存のアルゴリズムがマシンあたり Ω(n) のメモリを必要とし、スパースグラフにおいては効率的にスケーリングできないため、MPC モデルにおける線形メモリの壁を打ち破ること。
• 各マシンに n^δ のメモリしか割り当てられない低メモリ MPC モデルにおいて、最大マッチングおよび最大独立集合（MIS）のための効率的アルゴリズムを設計すること。
• 一様にスパースなグラフにおいて、これらの基本的グラフ問題について、部分多項式ラウンド複雑性（具体的には O(poly(log log n))）を達成すること。
• 次数低減技術が、LOCAL および PRAM アルゴリズムの効率的シミュレーションを可能にし、従来のアプローチの制限を回避できることを示すこと。

提案手法

• 木アービトリシティ λ のグラフを poly(λ) の最大次数を持つグラフに変換する次数低減技術を導入し、低メモリ MPC モデルにおける効率的計算を可能にする。
• H-パーティションに基づく部分的向き付けを用いてノードをレイヤーに整理し、局所的メモリ制約を満たすように分散的にエッジのマークおよび提案を行う。
• H-パーティションのレイヤーインデックス i に対応する 2^i ホップ以内の近傍で情報を収集することで、集中型のマッチングおよび MIS アルゴリズムをシミュレートする。
• レイヤー深さの降順にチャンクを逐次処理し、マッチングにおけるエッジの含め方や MIS におけるノードの含め方が一貫性を持ち、競合が生じないようにする。
• 局所的決定が有界半径の近傍にのみ依存することを活用し、各マシンの O(n^δ) のメモリ制限内で収まるようにする。
• H-パーティション構築における反復回数を制限し、各ラウンドの通信が効率的であることを保証することで、O(1/δ · log log n) ラウンドの通信を達成する。

実験結果

リサーチクエスチョン

• RQ1 各マシンに n^δ のメモリしか割り当てられない低メモリ MPC モデルにおいて、最大マッチングおよび MIS を poly(log log n) ラウンドで計算できるか？（δ < 1）
• RQ2 スパースグラフ問題において、最大次数を低減させながら解の意味論を保持することで、MPC における線形メモリの壁を打ち破ることは可能か？
• RQ3 既存の LOCAL および PRAM アルゴリズムを、マシンあたりのサブ線形メモリのみを用いて、低メモリ MPC モデルで効率的にシミュレートすることは可能か？
• RQ4 木アービトリシティ λ = poly(log n) のグラフにおいて、最大マッチングおよび MIS のラウンド複雑性は何か？ また、Luby の O(log n) PRAM アルゴリズムよりも著しく改善可能か？
• RQ5 得られたマッチングを用いて、同じラウンド複雑性で最大基数マッチングおよび最小頂点被覆の良い近似解を得ることは可能か？

主な発見

• 本稿は、低メモリ MPC モデルにおける最大マッチングの最初の poly(log log n)-ラウンドのアルゴリズムを提示し、長年の線形メモリの壁を打ち破った。
• 木アービトリシティ λ = poly(log n) のグラフにおいて、本アルゴリズムは O(log² log n) ラウンドを達成し、Luby の O(log n) PRAM アルゴリズムと比べてほぼ指数的改善を達成した。
• 最大マッチングアルゴリズムを用いて、同じラウンド複雑性で (1+ε)-近似の最大基数マッチングおよび (2+ε)-近似の最大重み付きマッチングを計算可能である。
• 同様のマッチング構築を用いて、O(log² log n) ラウンドで 2-近似の最小頂点被覆も計算可能である。
• 次数低減技術により、LOCAL アルゴリズムを低メモリ MPC で O(1/δ · log log n) ラウンドでシミュレート可能であり、δ がマシンあたりのサブ線形メモリを制御する。
• 本手法は一般性が高く、有界な木アービトリシティを持つ任意のグラフに適用可能であり、ソーシャルネットワークや通信グラフなどの現実のスパースネットワークに適している。