[논문 리뷰] Best of Two Local Models: Local Centralized and Local Distributed Algorithms

Guy Even, Moti Medina외 1명|arXiv (Cornell University)|2014. 02. 16.

Complexity and Algorithms in Graphs참고 문헌 24인용 수 15

한 줄 요약

이 논문은 분산 지역 알고리즘과 순환하지 않는 그래프 방향성의 활용을 통해, 유계도 그래프에서 최대 독립 집합, 최대 매칭, 근사 최대(가중치 있는) 매칭 문제에 대해 결정적이고 상태 없는 중심 집중형 지역 알고리즘을 제시한다. 이 알고리즘들은 프로브 복잡도가 poly(log* n)임을 달성한다. 주요 기여는 중심 집중형 지역 계산에서 분산 계산으로의 새로운 감소 기법을 제안한 것으로, 이는 하향 복잡도를 갖는 결정적 알고리즘을 개선하고, 새로운 분산 알고리즘을 통해 최대 매칭 문제에 대해 O(log* n) 라운드 내에 해결한다.

ABSTRACT

We consider two models of computation: centralized local algorithms and local distributed algorithms. Algorithms in one model are adapted to the other model to obtain improved algorithms. Distributed vertex coloring is employed to design improved centralized local algorithms for: maximal independent set, maximal matching, and an approximation scheme for maximum (weighted) matching over bounded degree graphs. The improvement is threefold: the algorithms are deterministic, stateless, and the number of probes grows polynomially in $\log^* n$, where $n$ is the number of vertices of the input graph. The recursive centralized local improvement technique by Nguyen and Onak~\cite{onak2008} is employed to obtain an improved distributed approximation scheme for maximum (weighted) matching. The improvement is twofold: we reduce the number of rounds from $O(\log n)$ to $O(\log^*n)$ for a wide range of instances and, our algorithms are deterministic rather than randomized.

연구 동기 및 목표

• 기본적인 그래프 문제에 대해 하향 복잡도를 갖는 결정적이고 상태 없는 중심 집중형 지역 알고리즘을 설계하는 것.
• 이전의 랜덤화되거나 상태를 유지하는 알고리즘들을 개선하여, 프로브 복잡도를 poly(log* n)로 감소시키는 것.
• 중심 집중형 지역 계산과 분산 지역 계산 모델 간의 双방향 브리지 수립.
• 최대 매칭 문제에 대해 O(log* n) 라운드 내에 결정적 분산 알고리즘을 달성하여 이전의 O(log n) bound 를 향상시키는 것.
• 순환하지 않는 방향성과 유계 도달 가능성을 지역 계산의 강력한 원천으로 활용할 수 있음을 보여주는 것.

제안 방법

• Nguyen과 Onak(2008)의 영감을 받은 재귀적 개선 기법을 활용하여 분산 지역 알고리즘을 중심 집중형 지역 알고리즘으로 변환하는 것.
• 중심 집중형 지역 알고리즘에서 프로브 복잡도를 제어하기 위해 유계 도달 가능성을 갖는 순환하지 않는 그래프 방향성을 핵심 서브루틴으로 사용하는 것.
• 분산 알고리즘에서 유도된 지역 정점 색칠 기법을 활용하여, 유계 도달 가능성을 갖는 방향성을 구성하는 것.
• 하향 근사 알고리즘을 결정적 분산 알고리즘으로 전환하기 위해 재귀적 개선 프레임워크를 적용하는 것.
• 중앙 집중형 지역 알고리즘의 통찰을 활용하여, 분산 최대 매칭 알고리즘의 라운드 수를 O(log n)에서 O(log* n)으로 감소시키는 것.
• 어떤 알고리즘이도 o(log* n) 라운드 내에서 유계 도달 가능성을 갖는 순환하지 않는 방향성을 계산할 경우, 반경이 무한대가 되어야 하므로, 이는 bound 의 날카로움을 입증한다.

실험 결과

연구 질문

• RQ1 분산 지역 알고리즘을 사용하여 MIS 및 매칭 문제와 같은 그래프 문제에 대해 더 나은 중심 집중형 지역 알고리즘을 설계할 수 있는가?
• RQ2 프로브 복잡도가 poly(log* n)인 결정적이고 상태 없는 중심 집중형 지역 알고리즘을 달성할 수 있는가?
• RQ3 하향 근사에서 유도된 재귀적 개선 기법을 적응하여 결정적 분산 알고리즘을 도출할 수 있는가?
• RQ4 순환하지 않는 방향성을 유계 도달 가능성을 갖도록 계산하기 위해 필요한 최소한의 라운드 수는 얼마인가?
• RQ5 log* n 을 지수에 포함시키지 않고도 중심 집중형 지역 알고리즘의 프로브 복잡도를 유계로 유지할 수 있는가?

주요 결과

• 이 논문은 최대 독립 집합, 최대 매칭, 근사 최대(가중치 있는) 매칭 문제에 대해, 프로브 복잡도가 poly(log* n)인 최초의 결정적이고 상태 없는 중심 집중형 지역 알고리즘을 제시한다.
• 제안된 중심 집중형 지역 알고리즘의 프로브 복잡도는 Δ^rad(A)로 유계이며, 여기서 rad(A)는 프로브 반경이며, 분석 과정에서 log* n 를 지수에 포함시키지 않아도 된다.
• 최대 매칭을 위한 새로운 분산 알고리즘은 O(Δ^O(1/ε) + (1/ε²)·log* n) 라운드 내에 수행되며, 이는 이전의 O(log n) bound 보다 향상된 것이다.
• 논문은 o(log* n) 라운드 내에서 유계 도달 가능성을 갖는 순환하지 않는 방향성을 계산하는 것은 불가능하며, 이는 Θ(log* n) 이 라운드 복잡도의 날카로운 상한임을 입증한다.
• 중앙 집중형 지역 계산에서 분산 계산으로의 감소 기법을 통해, 최대 매칭 문제에 대해 O(log* n) 라운드 내에 결정적 분산 알고리즘을 달성하는 데 성공하였다.
• 유계 도달 가능성을 갖는 순환하지 않는 방향성을 서브루틴으로 사용하는 것이, 이전의 랜덤 정점 순위 기법보다도 낮은 프로브 복잡도를 달성하는 데 더 효과적임을 입증하였다.