[논문 리뷰] Advanced Coarsening Schemes for Graph Partitioning

Ilya Safro, Peter Sanders외 1명|arXiv (Cornell University)|2012. 01. 31.

VLSI and FPGA Design Techniques참고 문헌 15인용 수 5

한 줄 요약

이 논문은 다수의 그래프 분할에서 고급 군집화 기법을 도입하여, 대칭 다중격자(AMG) 원리와 대칭 거리 개념을 융합함으로써 분할 품질을 향상시킨다. AMG 기반 군집화에 대칭 거리를 적용할 경우, 불규칙한 그래프에서 특히 큰 분할 수에서 해의 품질이 크게 향상되며, 정련 처리의 오버헤드에 비해 군집화 시간이 약간 증가할 뿐이다.

ABSTRACT

The graph partitioning problem is widely used and studied in many practical and theoretical applications. The multilevel strategies represent today one of the most effective and efficient generic frameworks for solving this problem on large-scale graphs. Most of the attention in designing the multilevel partitioning frameworks has been on the refinement phase. In this work we focus on the coarsening phase, which is responsible for creating structurally similar to the original but smaller graphs. We compare different matching- and AMG-based coarsening schemes, experiment with the algebraic distance between nodes, and demonstrate computational results on several classes of graphs that emphasize the running time and quality advantages of different coarsenings.

연구 동기 및 목표

• 다수의 그래프 분할에서 역사적으로 정련 단계에 비해 덜 주목받아 온 군집화 단계의 향상.
• 특히 전통적인 매칭 기반 기법과의 비교에서, 군집화 단계에서 대칭 거리의 연결성 측정 기준으로서의 영향 평가.
• 고품질 분할을 위한 KaFFPa 프레임워크에 새로운 AMG 기반 균형 잡힌 군집화 기법을 설계하고 통합.
• 다양한 그래프 유형, 특히 분할하기 어려운 사례를 포함한 다양한 그래프 클래스에서 군집화 시간과 분할 품질 간의 트레이드오프 평가.
• AMG 기반 군집화가 불규칙적이고 대규모 그래프에서 매칭 기반 기법보다 우수한 성능을 보이는지 조사.

제안 방법

• 다중격자 방법에 영감을 얻어, 대칭 거리를 사용하여 노드 집합을 결정하는 새로운 AMG 기반 군집화 기법 제안.
• 자리비의 과잉완화 반복을 통해 계산되는 대칭 거리 개념을 도입하여 노드 간 연결성 강도를 측정.
• 기존의 매칭 기반 군집화 기법(예: ECO, STRONG)에 대칭 거리를 통합하여 엣지 선택 향상.
• 군집화가 점점 더 작은 그래프의 계층을 형성하는 다수의 레벨 프레임워크를 사용.
• 빠르고 강력한 정련 설정에서 군집화 기법을 평가하기 위해 KaFFPa를 기반 분할 프레임워크로 활용.
• 군집화 복잡도를 매칭 기반 방법과 유사하게 유지하기 위해 일반적으로 1차 이하의 순서로 보간을 적용.

실험 결과

연구 질문

• RQ1 대칭 거리를 군집화에 통합할 경우, 큰 규모의 불규칙한 그래프에서 분할 품질 향상이 이루어지는가?
• RQ2 AMG 기반 군집화와 기존의 매칭 기반 군집화 간에 해의 품질과 런타임 측면에서의 성능 비교는 어떠한가?
• RQ3 대칭 거리 계산으로 인한 군집화 시간 증가와 분할 품질 향상 간의 트레이드오프는 어떠한가?
• RQ4 AMG 기반 군집화가 특히 높은 분할 수에서 분할하기 어려운 그래프에서 성능을 안정화시키는가?
• RQ5 일부 경우에서 균형 잡힌 집합화보다 비균형 AMG 집합화가 더 좋은 결과를 낼 수 있는가?

주요 결과

• AMG 기반 군집화에 대칭 거리를 적용할 경우, 불규칙한 그래프에서 특히 큰 $k$ 값(예: $k=64$)에서 분할 품질이 크게 향상되며, 매칭 기반 기법을 능가한다.
• 대칭 거리를 통합한 ECO-ALG 변종은 모든 벤치마크에서 ECO를 능가하며, 특히 어려운 사례에서의 향상이 두드러진다.
• 대규모 그래프(예: 448,695개 정점을 가진 auto)의 경우, ECO-ALG의 군집화 시간은 총 런타임의 3% 미만으로, 오버헤드가 무시할 만큼 작다.
• 벤치마크 III에서 AMG-ECO는 F-CYCLE를 능가하며, 특히 높은 $k$ 값에서 ECO-ALG와 동등하거나 슈퍼어리어를 기록한다.
• 그래프 크기가 커질수록 정련 시간이 지배적이게 되어, 품질과 군집화 시간 간의 트레이드오프가 점점 덜 중요해진다.
• 비균형 AMG 집합화가 때로는 균형 잡힌 집합화보다 더 좋은 결과를 낼 수 있어, 집합화 균형 조정에 대한 추가 탐색이 필요하다.