[논문 리뷰] A simpler sublinear algorithm for approximating the triangle count

C. Seshadhri|arXiv (Cornell University)|2015. 05. 08.

Complexity and Algorithms in Graphs참고 문헌 36인용 수 14

한 줄 요약

이 논문은 차수, 이웃, 간선 쿼리만을 사용하여 무방향 그래프의 삼각형 수를 근사하기 위한 더 단순한 비선형 알고리즘을 제안한다. 이 알고리즘은 기대 시간 $O(\text{poly}(\varepsilon^{-1}\log n)(n/t^{1/3} + m^{3/2}/t))$ 내에서 $(1+\varepsilon)$-근사치를 달성하며, Eden, Levi, and Ron (2015)의 최신 기술과 동일한 런타임 성능을 달성하지만 분석과 알고리즘 구조가 훨씬 단순하다.

ABSTRACT

A recent result of Eden, Levi, and Ron (ECCC 2015) provides a sublinear time algorithm to estimate the number of triangles in a graph. Given an undirected graph $G$, one can query the degree of a vertex, the existence of an edge between vertices, and the $i$th neighbor of a vertex. Suppose the graph has $n$ vertices, $m$ edges, and $t$ triangles. In this model, Eden et al provided a $O(\poly(\eps^{-1}\log n)(n/t^{1/3} + m^{3/2}/t))$ time algorithm to get a $(1+\eps)$-multiplicative approximation for $t$, the triangle count. This paper provides a simpler algorithm with the same running time (up to differences in the $\poly(\eps^{-1}\log n)$ factor) that has a substantially simpler analysis.

연구 동기 및 목표

• Eden, Levi, and Ron (2015)가 이전에 제안한 복잡한 정점 버킷화와 농도 경계 분석을 필요로 하는 비선형 삼각형 수 계산 알고리즘을 단순화하기.
• 유사한 점근적 런타임 복잡도를 유지하면서 알고리즘적 및 분석적 복잡도를 감소시키기.
• Chiba-Nishizeki 삼각형 수 계산 프레임워크에서 유도된 샘플링 전략을 활용하여 비선형 삼각형 수 계산에 더 직관적이고 접근하기 쉬운 접근법을 제공하기.
• 샘플링과 추정 전략을 단순화하여 고확률로 $(1+\varepsilon)$-multiplicative 근사 보장을 유지하기.
• 더 복잡한 이전 방법에 비해 성능을 떨어뜨리지 않으면서도 더 단순한 알고리즘 설계로도 동일한 성능을 달성할 수 있음을 보여주어 명료성을 향상시키되 효율성은 유지하기.

제안 방법

• Chiba-Nishizeki 알고리즘에서 영감을 얻은 샘플링 기반 접근법을 채택하여, 간선을 열거하고 공통 이웃 수를 세어 삼각형을 찾는다.
• 균일하게 랜덤으로 간선을 샘플링하고, 각 샘플된 간선 $e = (u,v)$에 대해 낮은 차수를 가진 정점 $u$의 랜덤 이웃 $w$를 선택하여 $\{u,v,w\}$가 삼각형을 이룬다거나 아니면 확인한다.
• 삼각형을 이루면 랜덤 변수 $X$가 값 $d_u$를 가지며, 그렇지 않으면 0을 가진다; $X$의 기댓값은 $3t/m$이므로 평균을 통해 $t$를 추정할 수 있다.
• 분산 인식 샘플링: 삼각형 지표에 대해 분산이 높은 간선의 경우 농도를 확보하기 위해 샘플 수를 늘린다.
• 먼저 평균 차수에 대한 새로운 추정기와 尾 확률 경계 분석을 활용하여 $m$을 기하학적 탐색을 통해 추정한다.
• 여러 개의 독립된 추정치를 조합하고 최소값을 취함으로써 신뢰도를 높이며, 고확률 정확도를 확보하기 위해 최소값의 중앙값 전략을 사용한다.

실험 결과

연구 질문

• RQ1 Eden, Levi, and Ron (2015)의 쿼리 모델에서 삼각형 수 계산에 대해 동일한 비선형 런타임을 달성할 수 있는 더 단순한 알고리즘이 존재할 수 있는가?
• RQ2 이전 연구에서 사용된 복잡한 정점 버킷화와 유형 기반 농도 분석을 단순화하면서도 동일한 점근적 성능을 유지할 수 있는가?
• RQ3 Chiba-Nishizeki 프레임워크에 뿌리를 두고 있는 샘플링 기반 추정기로 $(1+\varepsilon)$-근사치를 달성하면서 분석적 부담을 줄일 수 있는가?
• RQ4 Feige (2006)나 Goldreich-Ron (2008)의 복잡한 기계장치를 피하면서도 더 단순한 尾 확률 경계 분석을 통해 평균 차수를 비선형적으로 추정할 수 있는가?
• RQ5 비선형 시간 내에서 $(1+\varepsilon)$-근사치를 달성하기 위해 필요한 최소한의 가정과 알고리즘 구성 요소는 무엇인가?

주요 결과

• 제안된 알고리즘은 삼각형 수 $t$에 대해 확률 $2/3$ 이상으로 $(1+\varepsilon)$-multiplicative 근사치를 달성한다.
• 기대 실행 시간은 $O(\text{poly}(\varepsilon^{-1}\log n)(n/t^{1/3} + m^{3/2}/t))$이며, Eden, Levi, and Ron (2015)의 최고 성능과 동일하다.
• 복잡한 정점 버킷화와 유형 분류를 피하고 간선 및 이웃에 직접적인 샘플링 전략을 도입함으로써 분석을 단순화한다.
• 정점에 대한 총 순서와 이웃 샘플링을 활용하여 평균 차수에 대한 새로운 추정기를 구축하였으며, $m$에 대한 기하학적 탐색을 통해 $O(\varepsilon^{-3.5}\log(\varepsilon^{-1}\log n)n/\sqrt{m})$의 쿼리 복잡도를 달성한다.
• 반복적 샘플링과 최소값의 중앙값을 취하는 방식을 통해 성공 확률을 $1 - \delta$로 높일 수 있으며, 총 쿼리 복잡도는 $O(\text{poly}(\varepsilon^{-1}\log n)\min(m, n/t^{1/3} + m^{3/2}/t))$가 된다.
• 깨끗하고 샘플링 기반의 접근법이 더 복잡한 이전 방법의 성능을 뛰어넘을 수 있음을 보여주며, 분석적 복잡도를 크게 감소시킨다.