[논문 리뷰] Constant-Time Dynamic $(\Delta+1)$-Coloring and Weight Approximation for Minimum Spanning Forest: Dynamic Algorithms Meet Property Testing

Monika Henzinger, Pan Peng|arXiv (Cornell University)|2019. 07. 10.

Complexity and Algorithms in Graphs참고 문헌 34인용 수 5

한 줄 요약

이 논문은 (∆+1)-정점 색칠하기와 (1+ε)-근사 최소 스패닝 포레스트(MSF) 무게에 대해 상수 평균 갱신 시간을 갖는 처음으로 완전 동적 그래프 알고리즘을 제시한다. 성질 테스팅 기법을 동적 알고리즘에 통합함으로써, 색칠에 대해 최적의 O(1) 갱신 시간과 적응형 적대자 조건에서도 하위 로그 시간 내에 MSF 무게 근사에 성공하며, 오랫동안 남아있던 하한선 장벽을 해결한다.

ABSTRACT

With few exceptions (namely, algorithms for maximal matching, $2$-approximate vertex cover, and certain constant-stretch spanners), all known fully dynamic algorithms in general graphs require (amortized) $\Omega(\log n)$ update/query time. Showing for the first time that techniques from property testing can lead to constant-time fully dynamic graph algorithms we prove the following results: (1) We give a fully dynamic (Las-Vegas style) algorithm with constant expected amortized time per update that maintains a proper $(\Delta+1)$-vertex coloring of a graph with maximum degree at most $\Delta$. This improves upon the previous $O(\log \Delta)$-time algorithm by Bhattacharya et al. (SODA 2018). We show that our result does not only have optimal running time, but is also optimal in the sense that already deciding whether a $\Delta$-coloring exists in a dynamically changing graph with maximum degree at most $\Delta$ takes $\Omega(\log n)$ time per operation. (2) We give two fully dynamic algorithms that maintain a $(1+\varepsilon)$-approximation of the weight $M$ of the minimum spanning forest of a graph $G$ with edges weights in $[1,W]$. Our deterministic algorithm takes $O({W^2 \log W}/{\varepsilon^3})$ worst-case time, which is constant if both $W$ and $\varepsilon$ are constant. This is somewhat surprising as a lower bound by Patrascu and Demaine (SIAM J. Comput. 2006) shows that it takes $\Omega(\log n)$ time per operation to maintain the exact weight of the MSF that holds even for $W=1$. Our randomized (Monte-Carlo style) algorithm works with high probability and runs in worst-case $O(\frac{1}{\varepsilon^4}\log^2(\frac{1}{\varepsilon}))$ time if $W= O({(m^*)^{1/3}}/{\log^3 n})$, where $m^*$ is the minimum number of edges in the graph throughout all the updates. It works even against an adaptive adversary.

연구 동기 및 목표

• 성질 테스팅 기법을 활용하여 동적 그래프 문제에 대해 오랫동안 알려진 Ω(log n) 평균 갱신 시간 하한선을 극복하고자 한다.
• 기존의 O(log ∆)보다 향상된 O(1) 기대 평균 갱신 시간을 갖는 완전 동적 알고리즘을 설계하여 적절한 (∆+1)-정점 색칠을 유지하고자 한다.
• 최소 스패닝 포레스트(MSF)의 가중치를 (1+ε)-근사로 유지하는 완전 동적 알고리즘을 개발하여, 특정 매개변수 조건 하에서 최악의 경우 상수 시간 갱신을 달성하고자 한다.
• 성질 테스팅 방법론이 적응형 적대자 존재 조건에서도 실용적이고 최적의 동적 알고리즘을 도출할 수 있음을 보여주고자 한다.
• 최대 차수 ∆인 동적 그래프에서 ∆-색칠 가능성을 결정하는 문제는 본질적으로 연산당 Ω(log n) 시간을 요구하며, 이는 새로운 색칠 알고리즘이 최적임을 증명한다.

제안 방법

• 성질 테스팅 기반 샘플링과 국소 재색칠 기법을 사용하는 랜덤화된 동적 알고리즘을 도입하여 (∆+1)-색칠을 유지하며, 상수 시간 정적 알고리즘을 주기적으로 재계산하는 단계를 포함한다.
• 매 ε′Ψ/4개의 갱신마다 Corollary 4.9의 정적 알고리즘을 사용해 색칠 추정기의 재계산을 수행함으로써 유한한 덧셈 오차를 보장하는 단계 기반 구조를 활용한다.
• 계층적 샘플링 전략을 사용하여 연결 성분 수 ncc(G)를 추정하며, T(G) ≥ nis(G) 조건 하에 덧셈 오차 ε′·T(G)를 확보한다. 이는 동적 추정기 c를 유지하고 주기적으로 재설정함으로써 달성된다.
• 전역 재건 기법을 적용하여 갱신 시간의 평균화를 제거하여, 최악의 경우 O(max{1, log(1/ε′) log(1/p)/ε′³T∗}) 갱신 시간을 확보한다. 여기서 T∗는 모든 갱신에 대해 T(G)의 최소값이다.
• 각 단계에서 새롭게 무작위성을 재초기화함으로써 성질 테스팅 알고리즘이 동적 환경에 적응할 수 있음을 활용하여, 적응형 적대자에 대한 강건성을 확보한다.
• Corollary 4.9의 매개변수화된 정적 알고리즘을 사용해 각 단계에서 ncc(Gnis)의 (1±ε′/4)-근사값을 상수 시간 내에 계산하며, 이후 고립 정점 수를 더해 ncc(G)를 추정한다.

실험 결과

연구 질문

• RQ1 성질 테스팅 기법을 활용해 상수 갱신 시간을 갖는 완전 동적 그래프 알고리즘을 설계할 수 있는가? 이는 Ω(log n) 장벽을 돌파할 수 있는가?
• RQ2 완전 동적 그래프에서 O(1) 기대 평균 갱신 시간으로 적절한 (∆+1)-정점 색칠을 유지하는 것은 가능한가?
• RQ3 적응형 적대자 조건 하에서도 최악의 경우 상수 시간 내에 MSF 무게의 (1+ε)-근사값을 유지할 수 있는가?
• RQ4 최대 차수 제약 조건이 있는 동적 그래프에서 ∆-색칠 가능성을 결정하는 문제의 본질적 복잡도는 무엇인가?
• RQ5 서브선형 시간 성질 테스팅 방법론을 어떻게 동적 그래프 불변량을 고정 오차와 저비용 갱신으로 유지하는 데 적응시킬 수 있는가?

주요 결과

• 논문은 O(1) 기대 평균 갱신 시간을 갖는 완전 동적 (∆+1)-색칠 알고리즘을 제시하며, 이는 기존의 O(log ∆) 기준을 향상시킨다.
• 최대 차수 ∆인 동적 변화하는 그래프에서 ∆-색칠 가능성이 존재하는지 결정하는 데는 연산당 Ω(log n) 시간이 필요하다는 것을 증명하며, 새로운 색칠 알고리즘의 최적성을 입증한다.
• 결정적 알고리즘은 W와 ε가 상수일 경우 최악의 경우 O(W² log W / ε³) 시간 내에 MSF 무게의 (1+ε)-근사값을 유지한다.
• 확률적으로 높은 확률로 작동하는 랜덤화 알고리즘은 W = O((m*)¹ᐟ³ / log³ n) 조건 하에서 최악의 경우 O(1/ε⁴ log²(1/ε)) 시간 내에 갱신한다.
• 각 단계에서 새롭게 랜덤 비트를 사용하고 각 단계 내에서 최악의 경우 분석을 수행하므로, 적응형 적대자에 대비하여도 알고리즘이 성립한다.
• 주기적인 정적 재계산과 고립 정점 추적을 결합함으로써, 연결 성분 수 추정에서 높은 확률로 덧셈 오차 ε′·T(G)를 달성한다.