[논문 리뷰] Approximate Greedy Clustering and Distance Selection for Graph Metrics

David Eppstein, Sariel Har-Peled외 1명|arXiv (Cornell University)|2015. 07. 06.

Computational Geometry and Mesh Generation참고 문헌 32인용 수 6

한 줄 요약

이 논문은 그래프 메트릭과 고차원 유클리드 공간에서 그레디언트 순열과 거리 선택을 위한 효율적인 근사 알고리즘을 제시한다. 희박한 그래프와 고차원 유클리드 데이터에 대해 near-linear 예상 시간 내에 (1+ε)-근사 그레디언트 순열을 계산하는 랜덤화 알고리즘을 도입하였으며, 유계 트리위드 그래프에서 정확한 그레디언트 순열을 위한 결정론적 알고리즘도 제시한다. 주요 기여는 기본적인 메트릭 문제에 대해 비제곱시간 근사 체계를 제공함으로써 대규모 데이터 워크로드에서 확장 가능한 클러스터링과 거리 선택을 가능하게 한다.

ABSTRACT

$ ewcommand{\eps}{\varepsilon}$ In this paper, we consider two important problems defined on finite metric spaces, and provide efficient new algorithms and approximation schemes for these problems on inputs given as graph shortest path metrics or high-dimensional Euclidean metrics. The first of these problems is the greedy permutation (or farthest-first traversal) of a finite metric space: a permutation of the points of the space in which each point is as far as possible from all previous points. We describe randomized algorithms to find $(1+\eps)$-approximate greedy permutations of any graph with $n$ vertices and $m$ edges in expected time $O(\eps^{-1}(m+n)\log n\log(n/\eps))$, and to find $(1+\eps)$-approximate greedy permutations of points in high-dimensional Euclidean spaces in expected time $O(\eps^{-2} n^{1+1/(1+\eps)^2 + o(1)})$. Additionally we describe a deterministic algorithm to find exact greedy permutations of any graph with $n$ vertices and treewidth $O(1)$ in worst-case time $O(n^{3/2}\log^{O(1)} n)$. The second of the two problems we consider is distance selection: given $k \in [ \binom{n}{2} ]$, we are interested in computing the $k$th smallest distance in the given metric space. We show that for planar graph metrics one can approximate this distance, up to a constant factor, in near linear time.

연구 동기 및 목표

• 그래프 또는 고차원 유클리드 데이터로 정의된 큰 메트릭 공간에서 그레디언트 순열과 거리 선택의 확장성 문제를 다루기.
• 그레디언트 순열과 거리 선택에 대해 비제곱시간 내에 작동하는 근사 알고리즘 개발하여 기존 방법의 O(n²) 복잡도 장벽을 극복하기.
• 유계 트리위드 그래프에서 그레디언트 순열에 대한 효율적인 정확 알고리즘 제공하여 기존의 표준 O(n²) 방법을 향상시키기.
• 평면 그래프 메트릭에서 거리 선택을 위한 빠른 근사 체계 설계하여 near-linear 시간 내에 상수 요인 근사 달성하기.
• 그래프 구조와 기하적 성질을 활용하여 대규모 데이터 워크로드에서 효율적이고 확장 가능한 클러스터링과 거리 계산을 가능하게 하기.

제안 방법

• 희박한 그래프에서 그레디언트 순열을 근사하기 위해 평면 분할자를 통한 그래프의 랜덤 샘플링과 계층적 분해를 사용한다.
• Thorup의 프레임워크에 기반한 (1+ε)-근사 거리 오라클을 적용하여 평면 그래프 내에서 오차가 작은 거리 추정을 수행한다.
• 경계 집합이 작은 패치로 분해된 그래프의 계층적 분해를 활용하여 국소적 거리 수를 효율적으로 계산한다.
• 경계 정점에서 Dijkstra 알고리즘을 사용해 반경 r 이내의 도달 가능성을 계산하고, 거리 오라클 쿼리와 조합하여 총 쌍 수를 제한한다.
• 전처리 시간 O(ε⁻²n log³n) 및 쿼리 시간 O(ε⁻¹)인 거리 오라클을 구축하여 반경 (1+ε)r 이내의 쌍 수를 추정한다.
• 계층적 분해에서 모든 패치의 국소 수를 조합하여 전역 추정치 α를 도출하며, 이때 |P≤r| ≤ α ≤ |P≤(3+ε)r| 를 만족시킨다.

실험 결과

연구 질문

• RQ1 희박한 그래프와 고차원 유클리드 공간에서 (1+ε)-근사 그레디언트 순열을 near-linear 예상 시간 내에 계산할 수 있는가?
• RQ2 비제곱시간 알고리즘을 사용할 때 평면 그래프 메트릭에서 거리 선택의 최고 가능한 근사 비율은 무엇인가?
• RQ3 유계 트리위드 그래프에서 정확한 그레디언트 순열을 O(n²)보다 빠르게 계산할 수 있는가?
• RQ4 계층적 그래프 분해와 거리 오라클을 어떻게 조합하여 주어진 거리 범위 내의 쌍 수를 추정할 수 있는가?
• RQ5 그래프 메트릭의 구조는 어떤 정도로 기초적인 메트릭 문제에 대해 비제곱시간 해법을 달성하기 위해 활용될 수 있는가?

주요 결과

• 랜덤화 알고리즘이 n개 정점과 m개 간선을 가진 임의의 그래프에 대해 (1+ε)-근사 그레디언트 순열을 예상 시간 O(ε⁻¹(m + n) log n log(n/ε)) 내에 계산한다.
• 고차원 유클리드 공간에서는 예상 시간 O(ε⁻²n¹⁺¹/(1+ε)²⁺ᵒ⁽¹⁾) 내에 (1+ε)-근사 그레디언트 순열을 달성한다.
• 유계 트리위드 그래프에서 정확한 그레디언트 순열을 계산하는 결정론적 알고리즘이 worst-case 시간 O(n³ᐟ² logᴼ⁽¹⁾ n) 내에 작동한다.
• 평면 그래프 메트릭에서는 O(ε⁻²n log³n) 시간 내에 k번째로 작은 거리에 대해 상수 요인 근사를 제공한다.
• 거리 선택 알고리즘이 반환하는 정수 α는 |P≤r| ≤ α ≤ |P≤(3+ε)r| 를 만족시키며, 이는 진짜 수와 상수 요인 근사로 보장된다.
• 전체 접근법은 모든 k에 대해 동일한 시간 내에 (2+ε)-근사 k-센터 클러스터링을 O(ε⁻¹m log²n) 시간 내에 달성하며, 이는 이전 방법에 비해 크게 향상되었다.