[논문 리뷰] $(Δ+1)$ Coloring in the Congested Clique Model

Merav Parter|arXiv (Cornell University)|2018. 05. 07.

Advanced Algebra and Logic인용 수 14

한 줄 요약

이 논문은 농도 제한이 있는 컨gested 클라이언트 모델에서 $O(\log\log\Delta \cdot \log^{*}\Delta)$ 라운드 내에 작동하는 랜덤화된 $(\Delta+1)$ 정점 색칠 알고리즘을 제시한다. 이는 도로 감소 기법과 ${\mathsf{LOCAL}}$ 모델의 최신 성과를 활용한 것이다. 또한 라운드 복잡도 향상을 보인 결정론적 및 근사 색칠 변형을 제공하여, 컨겟드 클라이언트 모델의 대역폭 제약이 $(\Delta+1)$ 색칠의 효율적 대칭성 깨기 문제를 방해하지 않음을 보여준다.

ABSTRACT

In this paper, we present improved algorithms for the $(Δ+1)$ (vertex) coloring problem in the Congested-Clique model of distributed computing. In this model, the input is a graph on $n$ nodes, initially each node knows only its incident edges, and per round each two nodes can exchange $O(\log n)$ bits of information. Our key result is a randomized $(Δ+1)$ vertex coloring algorithm that works in $O(\log\log Δ\cdot \log^* Δ)$-rounds. This is achieved by combining the recent breakthrough result of [Chang-Li-Pettie, STOC'18] in the \local\ model and a degree reduction technique. We also get the following results with high probability: (1) $(Δ+1)$-coloring for $Δ=O((n/\log n)^{1-ε})$ for any $ε\in (0,1)$, within $O(\log(1/ε)\log^* Δ)$ rounds, and (2) $(Δ+Δ^{1/2+o(1)})$-coloring within $O(\log^* Δ)$ rounds. Turning to deterministic algorithms, we show a $(Δ+1)$-coloring algorithm that works in $O(\log Δ)$ rounds.

연구 동기 및 목표

• 컨겟드 클라이언트 모델에서 $(\Delta+1)$ 정점 색칠의 라운드 복잡도 격차를 해소하기 위해.
• 컨겟드 클라이언트 모델의 전지역 통신 능력이 대역폭 제약을 상쇄하여 하위 로그 라운드 복잡도를 달성할 수 있는지 확인하기 위해.
• ${\mathsf{LOCAL}}$ 모델에서의 최근 돌풍을 컨겟드 클라이언트 모델으로 확장하여, 특히 $(\Delta+1)$ 색칠과 같은 LCL 문제에 대해 적용하기 위해.
• 최근 ${\mathsf{LOCAL}}$ 모델의 기여도에 맞추어 랜덤화 및 결정론적 알고리즘을 개발하여 알려진 한계를 충족하거나 초월하기 위해.

제안 방법

• 최근 ${\mathsf{LOCAL}}$ 모델에서 $(\Delta+1)$ 리스트 색칠에 대해 $O(\log^{*}n + \mathsf{Det}_{\deg}(\mathsf{polylog}n))$ 라운드 알고리즘을 도로 감소를 활용해 컨겟드 클라이언트 모델에 적응시킨다.
• 파편화 기반 접근법을 사용: 랜덤으로 노드를 색칠하여 그래프를 작은, 다룰 수 있는 컴포넌트로 분할하고, 전지역 통신을 통해 $O(1)$ 라운드 내에 해결한다.
• 노드를 $\ell = O(\Delta^{1/4})$ 개인 하위그래프로 $O(1)$-의존성 있는 무작위 분할을 적용하여 각 하위그래프의 최대 차수를 제한하고, 동시에 색칠 가능하게 한다.
• 조건부 기대값 방법을 사용해 분할을 비확률화하며, $O(\log n)$ 비트 시드를 사용해 하위그래프의 차수 위반 수를 최소화한다.
• 노드 간 색상 팔레트를 효율적으로 교환하기 위해 라우팅 프리미티브를 사용하여, 소수의 차수 컴포넌트에 대해 $O(1)$ 라운드 통신을 보장한다.
• 분할 후 잔여 하위그래프에 대해 알려진 $O(\log\Delta)$-라운드 $(\Delta+1)$-리스트 색칠 알고리즘(보조정리 4.5)을 적용한다.

실험 결과

연구 질문

• RQ1 대역폭 제약이 있는 컨겟드 클라이언트 모델에서 $(\Delta+1)$ 정점 색칠에 대해 하위-$O(\log\Delta)$ 라운드 복잡도를 달성할 수 있는가?
• RQ2 컨겟드 클라이언트 모델의 전지역 통신이 ${\mathsf{LOCAL}}$ 모델에서 큰 메시지 기능이 부족한 대칭성 깨기 문제를 보완할 수 있는가?
• RQ3 ${\mathsf{LOCAL}}$ 모델에서의 최근 $O(\log^{*}n)$-라운드 돌풍이 소규모 메시지를 사용하는 컨겟드 클라이언트 모델로 확장 가능한가?
• RQ4 LCL 문제, 특히 $(\Delta+1)$ 색칠에 대해 컨겟드 클라이언트 모델에서 무작위성, 비확률화, 라운드 복잡도 간의 상호 교환 관계는 무엇인가?
• RQ5 도로 감소 및 하위그래프 분할 기법을 사용해 컨겟드 클라이언트 모델에서 근사 최적의 색칠 복잡도를 달성할 수 있는가?

주요 결과

• 랜덤화된 $(\Delta+1)$ 정점 색칠 알고리즘이 $O(\log\log\Delta \cdot \log^{*}\Delta)$ 라운드 내에서 작동하며, 대역폭 제한 모델에서 이전의 한계보다 크게 향상되었다.
• $\Delta = O((n/\log n)^{1-\epsilon})$ 인 경우, $(\Delta+1)$-색칠이 고확률로 $O(\log(1/\epsilon)\log^{*}\Delta)$ 라운드 내에 달성된다.
• $(\Delta + \Delta^{1/2+o(1)})$-색칠이 $O\left(\log^{*}\Delta\right)$ 라운드 내에서 계산되며, 팔레트 크기와 라운드 복잡도 사이의 상호 교환 관계를 보여준다.
• 결정론적 $(\Delta+1)$-색칠 알고리즘이 $O(\log\Delta)$ 라운드 내에서 작동하며, 비확률화된 하위그래프 분할과 조건부 기대값을 통해 달성된다.
• 비확률화 과정은 $O(\log n)$ 비트 시드를 사용하며, 조건부 기대값을 통해 악성 하위그래프(차수 위반 기준)를 완전히 제거하여 $O(1)$-라운드 비확률화를 가능하게 한다.
• 알고리즘의 구조는 하위그래프 색칠을 동시에 실행할 수 있도록 하며, 최종 잔여 그래프는 알려진 리스트 색칠 서브루틴을 사용해 $O(\log\Delta)$ 라운드 내에 색칠된다.