[논문 리뷰] Generating Practical Random Hyperbolic Graphs in Near-Linear Time and with Sub-Linear Memory

Penschuck, Manuel|arXiv (Cornell University)|2016. 01. 01.

Graph Theory and Algorithms인용 수 3

한 줄 요약

이 논문은 초등형 무작위 그래프의 일반화된 모델인 기하학적 비균질 무작위 그래프(Geometric Inhomogeneous Random Graphs, GIRGs)를 소개한다. 이 모델은 상수 인자를 무시함으로써 간선 확률 표현을 단순화한다. 선형 시간 내에 GIRGs를 생성하는 샘플링 알고리즘을 제안하며, 이는 기존의 초등형 무작위 그래프 샘플링보다 O(√n)의 요소만큼 향상된다. 또한 GIRGs가 일정한 클러스터링 계수, 작은 분리자, 선형 공간을 사용한 높은 압축성을 갖는다는 것을 증명한다.

ABSTRACT

Large real-world networks typically follow a power-law degree distribution. To study such networks, numerous random graph models have been proposed. However, real-world networks are not drawn at random. In fact, the behavior of real-world networks and random graph models can be the complete opposite of one another, depending on the considered property. Brach, Cygan, Lacki, and Sankowski [SODA 2016] introduced two natural deterministic conditions: (1) a power-law upper bound on the degree distribution (PLB-U) and (2) power-law neighborhoods, that is, the degree distribution of neighbors of each vertex is also upper bounded by a power law (PLB-N). They showed that many real-world networks satisfy both deterministic properties and exploit them to design faster algorithms for a number of classical graph problems like transitive closure, maximum matching, determinant, PageRank, matrix inverse, counting triangles and maximum clique. We complement the work of Brach et al. by showing that some well-studied random graph models exhibit both the mentioned PLB properties and additionally also a power-law lower bound on the degree distribution (PLB-L). All three properties hold with high probability for Chung-Lu Random Graphs and Geometric Inhomogeneous Random Graphs and almost surely for Hyperbolic Random Graphs. As a consequence, all results of Brach et al. also hold with high probability for Chung-Lu Random Graphs and Geometric Inhomogeneous Random Graphs and almost surely for Hyperbolic Random Graphs. In the second part of this work we study three classical NP-hard combinatorial optimization problems on PLB networks. It is known that on general graphs, a greedy algorithm, which chooses nodes in the order of their degree, only achieves an approximation factor of asymptotically at least logarithmic in the maximum degree for Minimum Vertex Cover and Minimum Dominating Set, and an approximation factor of asymptotically at least the maximum degree for Maximum Independent Set. We prove that the PLB-U property suffices such that the greedy approach achieves a constant-factor approximation for all three problems. We also show that all three combinatorial optimization problems are APX-complete, even if all PLB-properties hold. Hence, a PTAS cannot be expected, unless P=NP.

연구 동기 및 목표

• 기존 초등형 무작위 그래프 샘플링 알고리즘의 계산 비효율성을 해결하기 위해.
• 초등형 무작위 그래프와 정량적으로 동일한 구조적 특성을 유지하면서도 기술적으로 더 단순한 이론적 모델을 개발하기 위해.
• 새로운 모델의 기본 알고리즘적 및 구조적 성질을 확립하기 위해, 샘플링 효율성, 클러스터링, 분리자, 압축 가능성 등을 포함하여.
• 복잡한 네트워크 모델에 대한 향후 이론적 및 실험적 연구의 기초를 마련하기 위해.

제안 방법

• 정점들이 d차원 토러스 상의 위치와 무게를 갖는 기하학적 비균질 무작위 그래프(GIRGs)를 초등형 무작위 그래프의 일반화로 제안한다.
• 간선 확률을 정점의 무게에 비례하고 거리에 반비례하도록 정의하며, 분석을 단순화하기 위해 상수 인자를 생략한다.
• 기하학적 특성과 무게 기반 희소성의 특성을 활용하여 예상 선형 시간 내에 실행되는 샘플링 알고리즘을 설계한다.
• 거리 및 무게 조건에 따라 간선 확률의 행동을 분석하기 위해 임계값 모델과 테일러 근사를 사용한다.
• 집중 및 확률적 추론을 적용하여 일정한 클러스터링 계수와 작은 분리자 등의 구조적 성질을 증명한다.
• 그래프의 기하학적 및 힘의 법칙 기반 구조를 활용한 압축 기법을 적용하여 선형 공간 표현을 달성한다.

실험 결과

연구 질문

• RQ1 기하 기반의 무작위 그래프 모델이 예상 선형 시간 내에 샘플링될 수 있는가?
• RQ2 제안된 모델이 높은 클러스터링과 작은 분리자와 같은 핵심 네트워크 성질을 유지하는가?
• RQ3 하나의 비선형 공간을 사용하여 모델을 효율적으로 압축할 수 있는가?
• RQ4 간선 확률에서 상수 인자를 생략하는 것이 초등형 무작위 그래프와 비교해 모델의 정량적 행동에 어떤 영향을 미치는가?

주요 결과

• 제안된 샘플링 알고리즘이 예상 선형 시간 내에 실행되며, 기존의 초등형 무작위 그래프 샘플링보다 O(√n)의 요소만큼 향상된다.
• GIRGs는 Ω(1)의 클러스터링 계수를 보이며, 실제 네트워크의 핵심 특성인 높은 클러스터링을 유지한다.
• GIRGs는 작은 분리자를 갖는다. 이는 거대 컴ponent를 분리하기 위해 선형 이하의 간선 수만 제거하면 된다는 의미이다.
• GIRGs는 예상 선형 비트 수를 사용하여 손실 없이 압축 가능하며, 강력한 압축성을 나타낸다.
• 초등형 무작위 그래프는 GIRGs의 특수한 경우이며, 이는 모델이 실제 네트워크 모델링에 적합함을 입증한다.
• 이론적 분석을 통해 GIRGs가 초등형 무작위 그래프의 척도 불변성, 소월드 성질, 고클러스터링 성질을 유지하면서도 기술적 복잡성을 단순화함을 확인한다.