[論文レビュー] Parameterized Distributed Algorithms

Ran Ben Basat, Ken‐ichi Kawarabayashi+1 more|arXiv (Cornell University)|Jul 13, 2018

Complexity and Algorithms in Graphs参考文献 3被引用数 5

ひとこと要約

本稿は、LOCALおよびCONGESTモデルにおける最小点被覆（MVC）、最大マッチング（MaxM）、最大独立集合（MaxIS）といった基本的なグラフ最適化問題に対するパラメータ化された分散アルゴリズムを導入する。本稿では、LOCALモデルにおける(1+ϵ)-近似解法に対して、Ω(ϵ⁻¹)ラウンドの新たな下界を確立し、MVC、MaxM、MaxISの(1+ϵ)-近似の複雑さを(ϵ⁻¹ log n)Θ(1)に特定する。さらに、MVCおよびMaxMを2未満の要因で近似する、最初の決定的o(n²)-ラウンドのCONGESTアルゴリズムを提示する。

ABSTRACT

In this work, we initiate a thorough study of parameterized graph optimization problems in the distributed setting. In a parameterized problem, an algorithm decides whether a solution of size bounded by a \emph{parameter} $k$ exists and if so, it finds one. We study fundamental problems, including Minimum Vertex Cover (MVC), Maximum Independent Set (MaxIS), Maximum Matching (MaxM), and many others, in both the LOCAL and CONGEST distributed computation models. We present lower bounds for the round complexity of solving parameterized problems in both models, together with optimal and near-optimal upper bounds. Our results extend beyond the scope of parameterized problems. We show that any LOCAL $(1+ε)$-approximation algorithm for the above problems must take $Ω(ε^{-1})$ rounds. Joined with the algorithm of [GKM17] and the $Ω(\sqrt{\frac{\log n}{\log\log n}})$ lower bound of [KMW16], this settles the complexity of $(1+ε)$-approximating MVC, MaxM and MaxIS at $(ε^{-1}\log n)^{Θ(1)}$. We also show that our parameterized approach reduces the runtime of exact and approximate CONGEST algorithms for MVC and MaxM if the optimal solution is small, without knowing its size beforehand. Finally, we propose the first deterministic $o(n^2)$ rounds CONGEST algorithms that approximate MVC and MaxM within a factor strictly smaller than $2$.

研究の動機と目的

• 分散環境におけるパラメータ化されたグラフ最適化問題を研究し、MVC、MaxM、MaxISのような問題に焦点を当てる。
• LOCALおよびCONGESTモデルにおけるこれらの問題のパラメータ化版の、タイトなラウンド複雑さの下界と上界を確立する。
• 最適解のサイズkが小さい場合に、kの事前知識がなくても、パラメータ化アルゴリズムが実行時間を著しく短縮できることを示す。
• MVCおよびMaxMを2未満の要因で近似する、最初の決定的o(n²)-ラウンドのCONGESTアルゴリズムを開発する。
• パラメータ化複雑さの視点を分散計算に拡張し、パラメータ化の範囲を超えて、新たな下界とアルゴリズム的改善を明らかにする。

提案手法

• 各ノードがパラメータkを知っているパラメータ化フレームワークを提案し、サイズ≤k（最小化問題）または≥k（最大化問題）の解が存在するかを決定する必要がある。
• MVCからMFVSおよびMFESへの還元を用いて下界を転送し、CONSTANT近似解法にΩ(D)ラウンドが必要であることを証明する。
• 確率的および組合せ的議論を用いて、LOCALモデルにおける(1+ϵ)-近似解法に、MVC、MaxM、MaxIS、および関連問題に適用可能な、新たなΩ(ϵ⁻¹)ラウンド下界を確立する。
• O(k + (kϵ)²)ラウンドで実行されるk-MVCおよびk-MaxMアルゴリズムを設計し、二分探索を用いてkの値を効率的に探索可能にする。
• パラメータ化探索戦略を適用：k = 2⁰, 2¹, ... と順次テストし、有効な解が見つかったら、解のサイズについて二分探索を実行して(1+ϵ)-または(2−ϵ)-近似を得る。
• パラメータ化アルゴリズムと古典的近似技法を組み合わせ、最適解サイズが小さい場合に非パラメータ化問題の高速化を達成する。

実験結果

リサーチクエスチョン

• RQ1 LOCALモデルにおけるMVC、MaxM、MaxISのパラメータ化(1+ϵ)-近似のラウンド複雑さは何か？
• RQ2 最適解サイズが小さい場合に、kの事前知識がなくても、パラメータ化アルゴリズムは正確および近似解法の実行時間を短縮できるか？
• RQ3 MVCおよびMaxMを2未満の要因で近似する、最初の決定的o(n²)-ラウンドのCONGESTアルゴリズムを設計することは可能か？
• RQ4 MFVSおよびMFESのようなグローバル構造を持つ問題に関して、LOCALおよびCONGESTモデルにおけるパラメータ化近似のタイトな下界は何か？
• RQ5 最適解サイズが小さい場合に、パラメータ化アルゴリズムをどのように活用して、古典的分散問題のラウンド複雑さを改善できるか？

主な発見

• 本稿は、MVC、MaxM、MaxIS、および関連問題のLOCALモデルにおける任意の(1+ϵ)-近似アルゴリズムに対して、タイトなΩ(ϵ⁻¹)ラウンド下界を確立した。
• この下界と先行研究を組み合わせることで、MVC、MaxM、MaxISの(1+ϵ)-近似のラウンド複雑さが(ϵ⁻¹ log n)Θ(1)に特定された。
• 本稿は、MVCおよびMaxMを2未満の要因で近似する、最初の決定的o(n²)-ラウンドのCONGESTアルゴリズムを提示した。
• MVCおよびMaxMに関しては、O(log ϵ⁻¹ · (OPT + (ϵ·OPT)²))ラウンドで(2−ϵ)-近似を達成し、OPTが小さい場合に従来の境界を改善した。
• 本稿は、最適解サイズが小さい場合に、パラメータ化アルゴリズムを用いることで、非パラメータ化問題の高速化が可能であることを示した。2-近似ではO(OPT log OPT)ラウンドを達成した。
• 結果として、パラメータ化アルゴリズムはkが小さい場合の性能向上をもたらすだけでなく、CONGESTモデルにおける古典的問題に対しても、新たな高速アルゴリズムをもたらすことが示された。