[논문 리뷰] Coresets Meet EDCS: Algorithms for Matching and Vertex Cover on Massive Graphs

Sepehr Assadi, MohammadHossein Bateni외 3명|arXiv (Cornell University)|2017. 11. 08.

Stochastic Gradient Optimization Techniques인용 수 4

한 줄 요약

이 논문은 랜덤화된 구성 가능한 코어셋과 엣지 도수 제약 서브그래프(EDCS)를 통합한 프레임워크를 제안하여 거대한 그래프에서 최대 매칭과 최소 정점 커버에 대한 개선된 근사 알고리즘을 달성한다. 이는 하위제곱 공간을 사용하는 한 번의 스트리밍 패ass에서 (1.5 + ε)-근사 알고리즘을 제공하는 첫 번째 알고리즘으로, 2-근사 장벽을 뛰어넘었으며, 기계당 하위제곱 메모리로 2라운드 MPC 알고리즘을 제공한다. 이는 기존의 2-근사 결과보다 크게 향상된 것이다. 이 방법은 기계당 O(n/polylog n) 메모리로 O(log log n) MPC 라운드 내에서 (1+ε)-근사 매칭과 O(1)-근사 정점 커버를 달성할 수 있다.

ABSTRACT

As massive graphs become more prevalent, there is a rapidly growing need for scalable algorithms that solve classical graph problems, such as maximum matching and minimum vertex cover, on large datasets. For massive inputs, several different computational models have been introduced, including the streaming model, the distributed communication model, and the massively parallel computation (MPC) model that is a common abstraction of MapReduce-style computation. In each model, algorithms are analyzed in terms of resources such as space used or rounds of communication needed, in addition to the more traditional approximation ratio. In this paper, we give a single unified approach that yields better approximation algorithms for matching and vertex cover in all these models. The highlights include: * The first one pass, significantly-better-than-2-approximation for matching in random arrival streams that uses subquadratic space, namely a $(1.5+ε)$-approximation streaming algorithm that uses $O(n^{1.5})$ space for constant $ε> 0$. * The first 2-round, better-than-2-approximation for matching in the MPC model that uses subquadratic space per machine, namely a $(1.5+ε)$-approximation algorithm with $O(\sqrt{mn} + n)$ memory per machine for constant $ε> 0$. By building on our unified approach, we further develop parallel algorithms in the MPC model that give a $(1 + ε)$-approximation to matching and an $O(1)$-approximation to vertex cover in only $O(\log\log{n})$ MPC rounds and $O(n/poly\log{(n)})$ memory per machine. These results settle multiple open questions posed in the recent paper of Czumaj~et.al. [STOC 2018].

연구 동기 및 목표

• 스페이스 및 커뮤니케이션 제약 조건 하에서 거대한 그래프에서 최대 매칭과 최소 정점 커버를 위한 확장 가능한 알고리즘 설계의 과제를 해결하기 위해.
• 오랜 기간 동안 대규모 그래프 처리에서 기본적인 한계로 여겨졌던 스트리밍 및 MPC 모델에서의 2-근사 장벽을 극복하기 위해.
• 랜덤화된 구성 가능한 코어셋과 EDCS라는 서로 다른 두 기법을 하나의 프레임워크로 통합하여, 자원 사용 효율성을 높이며 더 나은 근사 비율을 달성하기 위해.
• 특히 기계당 하위선형 메모리로 소수의 라운드 내에서 (1+ε)-근사 매칭과 O(1)-근사 정점 커버를 달성하는 MPC 모델에서의 열린 문제를 해결하기 위해.
• 샘플링과 조합에 대해 강건한 일반적인 방법을 개발하여, 대규모 그래프에서 효율적인 병렬 및 스트리밍 계산을 가능하게 하기 위해.

제안 방법

• 큰 매칭과 작은 정점 커버에 대한 희소 증명으로서 엣지 도수 제약 서브그래프(EDCS)를 활용하며, 샘플링과 조합 하에서의 구조적 강건성을 증명한다.
• 정점의 k-분할과 매칭 구조 기반의 계층화를 통한 새로운 랜덤화된 구성 가능한 코어셋 구축 방법을 제안하여, 스트리밍 및 MPC 모델에서의 효율적 근사 계산을 가능하게 한다.
• 증가 경로가 원래 그래프의 정점 분리 경로로 대응되는 계층화된 그래프 구조를 사용하며, 소스와 싱크 레이어 사이의 경로 탐색을 레이어 간 순차적 매칭을 통해 수행한다.
• 경로 구축 중에 임계값 기반의 백트래킹 메커니즘을 적용하여 잘못된 부정 결과를 방지하고, 계산 오버헤드를 제한하면서도 높은 확률로 증가 경로를 복구한다.
• 이전 알고리즘에서 최대 매칭 서브루틴을 Theorem 7에 기반한 O(1)-근사 매칭 알고리즘으로 대체함으로써, O(log log n) 라운드 내에서 효율적인 MPC 구현이 가능해진다.
• 재귀적 코어셋 조합과 샘플링을 통해 메모리 사용을 균형 있게 분배하고 필요한 라운드 수를 줄임으로써 MPC에서 기계당 메모리 사용량을 최적화한다.

실험 결과

연구 질문

• RQ1 하위제곱 공간을 사용하는 한 번의 스트리밍 패스와 MPC 모델에서 최대 매칭에 대해 2-근사 이하의 근사 비율을 달성할 수 있는 단일 알고리즘 프레임워크가 존재할 수 있는가?
• RQ2 EDCS는 무작위 샘플링과 조합 하에서 매칭과 정점 커버에 대해 강건한 희소 증명으로서 기능할 수 있는가? 이는 확장 가능한 근사 계산을 가능하게 하는가?
• RQ3 에지 또는 정점 샘플링 하에서도 근사 보장을 유지하고, 효율적인 MPC 및 스트리밍 계산을 지원하는 랜덤화된 구성 가능한 코어셋을 설계할 수 있는가?
• RQ4 기계당 하위선형 메모리로 O(log log n) 라운드 내에서 매칭에 대해 (1+ε)-근사, 정점 커버에 대해 O(1)-근사치를 유지하면서 MPC의 라운드 수를 줄일 수 있는가?
• RQ5 계층화된 그래프에서 증가 경로의 구조를 어떻게 활용하여 2-근사 장벽을 피하는 효율적이고 확장 가능한 알고리즘을 설계할 수 있는가?

주요 결과

• 논문은 랜덤 도착 모델에서 eO(n^1.5) 공간을 사용하는 최초의 한 번의 스트리밍 패스에서 (1.5 + ε)-근사 최대 매칭 알고리즘을 제시하여, 2-근사 장벽을 돌파했다.
• MPC 모델에서 기계당 eO(√(mn) + n) 메모리로 2라운드 내에서 (1.5 + ε)-근사 최대 매칭을 달성하였으며, 이는 이전의 2-근사 결과보다 크게 향상된 것이다.
• 프레임워크는 기계당 O(n/polylog n) 메모리로 O(log log n) MPC 라운드 내에서 (1+ε)-근사 최대 매칭과 O(1)-근사 정점 커버를 달성할 수 있으며, Czumaj 등(2018년 STOC)에서 제기한 열린 문제를 해결한다.
• 저자들은 EDCS가 큰 매칭과 작은 정점 커버에 대해 강건한 희소 증명임을 증명하였으며, 무작위 샘플링과 조합 하에서도 구조적 성질을 유지함을 보였다.
• 랜덤화된 정점 분할을 기반으로 한 계층화된 그래프 구조는, |M| < (1−ε)·MM(G)일 경우, 레이어 간에 최소 MM(G) · ε^O(1/ε)개의 정점 분리 증가 경로가 존재할 확률이 높다는 것을 보장한다.
• 최대 매칭 서브루틴을 O(1)-근사 매칭 알고리즘으로 대체함으로써, 근사 품질을 유지하면서 MPC 및 스트리밍 모델 전반에서 효율적으로 확장 가능해졌다.