[논문 리뷰] Faster Algorithms for Rooted Connectivity in Directed Graphs

Chandra Chekuri, Kent Quanrud|arXiv (Cornell University)|2021. 01. 01.

Complexity and Algorithms in Graphs참고 문헌 24인용 수 3

한 줄 요약

이 논문은 방향 그래프에서 루트가 있는 간선 및 전역 간선 연결성과 정점 연결성을 계산하는 더 빠른 랜덤 알고리즘을 제시한다. 간선 샘플링과 흐림 처리 기법을 조합함으로써, 작은 정수 용량을 가진 그래프에서 루트 간선 연결성에 대해 ˜O(n²) 시간 복잡도를 달성한다. 이는 밀도가 높은 그래프에서 오랫동안 지속된 Ω(n³) 장벽을 깨는 것으로, 정점 연결성에 대해서는 (1+ϵ)-근사 및 정확 알고리즘을 제공하며, 그래프 무게와 연결성 파라미터에 대한 의존도를 향상시킨다.

ABSTRACT

We consider the fundamental problems of determining the rooted and global edge and vertex connectivities (and computing the corresponding cuts) in directed graphs. For rooted (and hence also global) edge connectivity with small integer capacities we give a new randomized Monte Carlo algorithm that runs in time Õ(n²). For rooted edge connectivity this is the first algorithm to improve on the Ω(n³) time bound in the dense-graph high-connectivity regime. Our result relies on a simple combination of sampling coupled with sparsification that appears new, and could lead to further tradeoffs for directed graph connectivity problems. We extend the edge connectivity ideas to rooted and global vertex connectivity in directed graphs. We obtain a (1+ε)-approximation for rooted vertex connectivity in Õ(nW/ε) time where W is the total vertex weight (assuming integral vertex weights); in particular this yields an Õ(n²/ε) time randomized algorithm for unweighted graphs. This translates to a Õ(KnW) time exact algorithm where K is the rooted connectivity. We build on this to obtain similar bounds for global vertex connectivity. Our results complement the known results for these problems in the low connectivity regime due to work of Gabow [Harold N. Gabow, 1995] for edge connectivity from 1991, and the very recent work of Nanongkai et al. [Nanongkai et al., 2019] and Forster et al. [Sebastian Forster et al., 2020] for vertex connectivity.

연구 동기 및 목표

• 밀도가 높은 그래프에서 최소 간선 컷과 정점 컷을 계산하는 더 빠른 알고리즘을 개발하는 것, 특히 밀도가 높은 그래프에서의 응용을 중심으로 한다.
• 소수의 정수 용량을 가진 밀도가 높은 그래프에서 오랫동안 지속된 루트 간선 연결성의 Ω(n³) 시간 복잡도 장벽을 극복하는 것.
• 이러한 개선 사항을 정점 연결성으로 확장하여, 정점 무게와 연결성 값에 대한 의존도가 향상된 효율적인 (1+ϵ)-근사 및 정확 알고리즘을 제공하는 것.
• 다른 방향 그래프 연결성 문제에 널리 적용 가능한 새로운 샘플링과 흐림 처리의 조합을 도입하는 것.

제안 방법

• 작은 정수 용량을 가진 루트 간선 연결성에 대해 간선 샘플링과 그래프 흐림 처리를 조합한 새로운 랜덤 몬테카를로 알고리즘을 제안하며, ˜O(n²) 시간 복잡도를 달성한다.
• 연결성 성질을 유지하면서 간선 수를 줄이기 위해 흐림 처리를 사용하며, 특히 고진입도 정점에 중점을 둔다.
• 정점 연결성을 다루기 위해 루트 흐림 처리 보조정리를 적용하여, 고진입도 정점의 들어오는 간선들을 루트에서 오는 단일 간선으로 대체함으로써 효율적인 계산을 가능하게 한다.
• 정점 연결성에 대한 이중 단계 접근법: 최소 컷의 큰 컴포넌트와 작은 컴포넌트를 각각 다른 서브루틴으로 별도로 처리한다.
• 반복적 샘플링을 통한 성공 강화를 통해 높은 확률 보장을 확보하며, 필요한 반복 횟수에 대한 신중한 분석을 수행한다.
• 정점 무게 비례로 루트를 샘플링하고 그래프와 그 역행 그래프의 대칭성을 활용하여 전역 연결성 문제를 루트 연결성 문제로 감소시킨다.

실험 결과

연구 질문

• RQ1 밀도가 높은 방향 그래프에서 루트 간선 연결성의 Ω(n³) 시간 복잡도 장벽을 새로운 알고리즘 기법을 통해 깰 수 있는가?
• RQ2 샘플링과 흐림 처리의 조합이 간선 연결성 외의 방향 그래프 연결성 문제에 대해서도 더 빠른 알고리즘을 가능하게 할 수 있는가?
• RQ3 가중치가 있는 정점이 있는 방향 그래프에서 정점 연결성의 근사 품질과 실행 시간 사이의 최적의 트레이드오프는 무엇인가?
• RQ4 전역 정점 연결성을 고려할 때, 확률적으로 높은 확률로 루트 연결성으로 감소시켜 효율적으로 계산할 수 있는가?
• RQ5 정확 알고리즘과 근사 알고리즘에서 정점 무게와 연결성 값에 대한 의존도를 상당히 향상시킬 수 있는가?

주요 결과

• 이 논문은 소수의 정수 용량을 가진 방향 그래프에서 루트 간선 연결성에 대해 ˜O(n²) 랜덤 알고리즘을 제시한다. 이는 밀도가 높고 연결성이 높은 그래프에서 Ω(n³) 장벽을 깨는 최초의 알고리즘이다.
• 정수 정점 용량을 가진 루트 정점 연결성에 대해, (1+ϵ)-근사 알고리즘은 ˜O(nW/ϵ) 시간에 수행되며, W는 총 정점 용량이다. 정확 알고리즘은 ˜O(κnW) 시간에 수행되며, κ는 루트 연결성이다.
• 무게가 없는 경우, 루트 정점 연결성의 (1+ϵ)-근사 알고리즘은 ˜O(n²/ϵ) 시간에 실행되며, 정확 알고리즘은 ˜O(κn²) 시간에 실행된다.
• 전역 정점 연결성 문제는 (1+ϵ)-근사 알고리즘에 대해 ˜O(nW/ϵ) 시간, 정확 알고리즘에 대해 ˜O(κnW) 시간에 해결되며, 이는 무게 없는 그래프의 경우에도 동일한 복잡도를 유지한다.
• 핵심 기술적 혁신인 샘플링과 흐림 처리의 조합은 간선 연결성 뿐만 아니라 정점 연결성에도 효과적이며, 다양한 환경에서 향상된 시간 복잡도를 달성하는 데 기여한다.