[論文レビュー] Parallel Set Cover and Hypergraph Matching via Uniform Random Sampling

Laxman Dhulipala, Michael Dinitz+2 more|arXiv (Cornell University)|Jan 1, 2024

Algorithms and Data Compression被引用数 3

ひとこと要約

本論文は、集合または要素の均一なランダムサンプリングを用いて、モデルに依存しない並列非重み付き集合被覆およびハイパーグラフマッチングの新規手法を提案する。要素の被覆に基づいて集合をサンプリングし、被覆済みの要素を反復的に削除することで、MPCおよびPRAMモデルにおいて、(1+ϵ)fおよび(1+ϵ)H∆の近似保証を達成する。これにより、従来の手法に比べてラウンド複雑性が顕著に低減され、深さおよびラウンド数において logΩ(1)n 要因の改善が達成された。

ABSTRACT

The SetCover problem has been extensively studied in many different models of computation, including parallel and distributed settings. From an approximation point of view, there are two standard guarantees: an O(log Δ)-approximation (where Δ is the maximum set size) and an O(f)-approximation (where f is the maximum number of sets containing any given element). In this paper, we introduce a new, surprisingly simple, model-independent approach to solving SetCover in unweighted graphs. We obtain multiple improved algorithms in the MPC and CRCW PRAM models. First, in the MPC model with sublinear space per machine, our algorithms can compute an O(f) approximation to SetCover in Ô(√{log Δ} + log f) rounds and a O(log Δ) approximation in O(log^{3/2} n) rounds. Moreover, in the PRAM model, we give a O(f) approximate algorithm using linear work and O(log n) depth. All these bounds improve the existing round complexity/depth bounds by a log^{Ω(1)} n factor. Moreover, our approach leads to many other new algorithms, including improved algorithms for the HypergraphMatching problem in the MPC model, as well as simpler SetCover algorithms that match the existing bounds.

研究の動機と目的

• 現代の分散および共有メモリモデルにおける非重み付き集合被覆およびハイパーグラフマッチングのための効率的で低ラウンドの並列アルゴリズムを達成するという課題に対処する。
• モデル固有の技術の制限を克服するため、MPCおよびPRAMモデルの両方で動作する統一的でサンプリングに基づくアプローチを導入する。
• 並列環境における f-近似および H∆-近似の両方について、既存のラウンド複雑性および深さの境界を改善する。
• このアプローチをハイパーグラフマッチングに拡張し、集合被覆を越えたその汎用性を示す。
• 古典的な逐次グリーディアルゴリズムに類似した単純で直感的なフレームワークを提供し、効率的な並列化を可能にする。

提案手法

• 要素の被覆に基づいて集合の均一なランダムサンプリングを用い、解に含める高インパクトの集合を特定する。
• 被覆されたすべての要素を削除することで残差インスタンスを維持し、その後のラウンドで繰り返し処理を行う。
• 集合のサイズに基づくバケツ化戦略を適用し、(1+ϵ)乗法的要因を用いて集合を近似的なサイズでグループ化し、サンプリングを誘導する。
• PRAMで近似累積和を活用し、O(log log n)の深さで集合のサイズを効率的に推定することで、スケーラブルなサイズ推定を可能にする。
• アリス法を用いて集合を並列にサンプリングステップに割り当て、各ラウンドにおける負荷分散を均等にする。
• 実行中にサイズのしきい値を下回る集合が発生した場合に再バケツ化を行い、近似保証を維持し、早期終了を回避する。

実験結果

リサーチクエスチョン

• RQ1 単純でモデルに依存しないサンプリング技術が、並列モデルにおける集合被覆で競争力のある近似比を達成できるか？
• RQ2 集合または要素の均一なランダムサンプリングが、既存のMPCおよびPRAMアルゴリズムに比べ、証明可能なより優れたラウンド複雑性を達成できるか？
• RQ3 同じサンプリングフレームワークをハイパーグラフマッチングにどの程度まで拡張可能か、また既存の解決策と比較してどうか？
• RQ4 並列環境でランダムサンプリングを用いる際の、近似品質とラウンド複雑性のトレードオフはどのようなものか？
• RQ5 このアプローチは、MPCおよびPRAMモデルの両方で、ほぼ最適な作業量と深さを達成するように効率的に実装可能か？

主な発見

• MPCモデルにおいて、マシン1台あたりのサブ線形メモリを用い、ˆO(√log ∆ + log f)ラウンドでO(f)-近似を達成し、従来の手法に比べてlogΩ(1)n要因の改善を達成した。
• O(log ∆)-近似の場合は、MPCモデルでO(log³/² n)ラウンドで実行され、再びラウンド複雑性がlogΩ(1)n要因改善された。
• CRCW PRAMモデルでは、O(n + m)の作業量とO(log² n log log n)の深さで(1+ϵ)f-近似を計算し、既知の境界と一致またはそれを上回った。
• PRAMモデルでは、O(log n)の深さで(1+ϵ)H∆-近似を達成し、作業量はO(n + m)であり、効率性とスケーラビリティを示した。
• このアプローチはMPCにおいてハイパーグラフマッチングに一般化され、従来の手法と比較して改善または同等の境界を達成した。
• フレームワークは頑健でモデルに依存せず、MPCおよびPRAMの両方で最小限の変更で効率的に実装可能である。