[논문 리뷰] Group-Harmonic and Group-Closeness Maximization -- Approximation and Engineering

Eugenio Angriman, Ruben Becker외 4명|arXiv (Cornell University)|2020. 10. 29.

Complexity and Algorithms in Graphs참고 문헌 29인용 수 7

한 줄 요약

이 논문은 네트워크 내 중심 노드 그룹을 식별하기 위해 그룹-하모닉 및 그룹-클로즈니스 최대화 문제를 연구하며, 근사 알고리즘과 효율적인 구현을 제안한다. 이는 이론적으로 NP-난이도 및 근사 경계를 입증하고, 실험적으로 국소 탐색 휴리스틱이 특히 대규모 또는 복잡한 네트워크에서 near-optimal 해를 훨씬 뛰어난 품질로 달성함을 보여준다.

ABSTRACT

Centrality measures characterize important nodes in networks. Efficiently computing such nodes has received a lot of attention. When considering the generalization of computing central groups of nodes, challenging optimization problems occur. In this work, we study two such problems, group-harmonic maximization and group-closeness maximization both from a theoretical and from an algorithm engineering perspective. On the theoretical side, we obtain the following results. For group-harmonic maximization, unless $P=NP$, there is no polynomial-time algorithm that achieves an approximation factor better than $1-1/e$ (directed) and $1-1/(4e)$ (undirected), even for unweighted graphs. On the positive side, we show that a greedy algorithm achieves an approximation factor of $\\lambda(1-2/e)$ (directed) and $\\lambda(1-1/e)/2$ (undirected), where $\\lambda$ is the ratio of minimal and maximal edge weights. For group-closeness maximization, the undirected case is $NP$-hard to be approximated to within a factor better than $1-1/(e+1)$ and a constant approximation factor is achieved by a local-search algorithm. For the directed case, however, we show that, for any $\\epsilon<1/2$, the problem is $NP$-hard to be approximated within a factor of $4|V|^{-\\epsilon}$. From the algorithm engineering perspective, we provide efficient implementations of the above greedy and local search algorithms. In our experimental study we show that, on small instances where an optimum solution can be computed in reasonable time, the quality of both the greedy and the local search algorithms come very close to the optimum. On larger instances, our local search algorithms yield results with superior quality compared to existing greedy and local search solutions, at the cost of additional running time. We thus advocate local search for scenarios where solution quality is of highest concern.

연구 동기 및 목표

• 최적의 k-노드 그룹을 식별하는 데 있어 그룹-하모닉 및 그룹-클로즈니스 중심성의 최대화라는 이론적 및 실용적 과제를 해결하기 위해.
• 이전에 근사 보장이 없었던 방향성 그래프에서 그룹-클로즈니스 최대화의 근사 가능성에 대한 이해 격차를 메우기 위해.
• 기존의 그레디 및 국소 탐색 방법보다 해의 품질과 확장성 면에서 뛰어난 성능을 보이는 효율적인 알고리즘 구현을 개발하고 평가하기 위해.
• 두 문제에 대한 이론적 근사 경계를 제공하며, 난이도 결과와 도달 가능한 근사 요소를 포함하기 위해.
• 실제 네트워크 및 합성 네트워크에서 국소 탐색 알고리즘이 최적에 근접한 해를 달성함을 경험적으로 검증하기 위해, 특히 방향성 및 고지름 그래프와 같은 어려운 케이스에서도 성능을 유지한다.

제안 방법

• 그룹-하모닉 최대화의 경우, 논문은 그레디 알고리즘을 분석하고, 방향성 그래프에서 λ(1−2/e)의 근사 요소를 확보함을 증명하며, 무방향 그래프에서는 λ(1−1/e)/2의 근사 요소를 확보한다. 여기서 λ는 최소 및 최대 간선 가중치의 비율이다.
• 그룹-클로즈니스 최대화의 경우, 논문은 무방향 그래프에서 국소 탐색 알고리즘을 통해 상수 요소 근사가 가능하다는 것을 증명하며, 방향성 그래프의 경우 |V|^{-ε} 이내로 근사하는 것은 NP-난이도임을 증명한다. 여기서 ε < 1/2 이다.
• 저자는 그룹 내 노드를 교체함으로써 목표 함수의 마진 간익을 기반으로 해를 반복적으로 개선하는 국소 탐색 휴리스틱(GS-LS-C)을 구현한다.
• 기본선으로서 그레디 알고리즘(Greedy-C)을 사용하며, 그룹 중심성에서 가장 높은 마진 간익을 보이는 노드를 단계적으로 추가한다.
• 논문은 그레디 해에서 시작하여 반복적인 국소 이동을 통해 향상시키는 하이브리드 국소 탐색 변형(Greedy-LS-C)을 도입한다.
• 국소 탐색 알고리즘에 대해 병렬 처리를 적용하여, 그룹 내 노드 교체 평가의 높은 병렬성 특성을 활용한다.

실험 결과

연구 질문

• RQ1 그룹-하모닉 최대화 문제에서 도달 가능한 최선의 근사 비율은 무엇이며, 다항 시간 알고리즘으로 이를 달성할 수 있는가?
• RQ2 무방향 그래프에서 그룹-클로즈니스 최대화는 상수 요소 근사가 가능한가? 그리고 도달 가능한 최선의 근사 비율은 무엇인가?
• RQ3 방향성 그래프에서 그룹-클로즈니스 최대화는 얼마나 어려운가? 비어 있지 않은 근사가 가능할 수 있는가?
• RQ4 국소 탐색 휴리스틱은 특히 대규모 또는 복잡한 네트워크에서 그룹 중심성 최대화 문제에서 그레디 알고리즘보다 해의 품질 면에서 뛰어나게 성능을 발휘할 수 있는가?
• RQ5 국소 탐색의 성능은 병렬 환경에서 어떻게 스케일링되며, 다양한 유형의 그래프에서 고품질의 해를 유지하는가?

주요 결과

• 무방향 그룹-하모닉 최대화 문제의 근사 난이도는 1−1/(4e)이며, 그레디 알고리즘이 λ(1−1/e)/2의 근사 요소를 달성한다.
• 방향성 그룹-하모닉 최대화의 경우, 난이도는 1−1/e이며, 그레디 알고리즘이 λ(1−2/e)의 근사 요소를 달성함으로써 간선 가중치 변동성과 근사 품질 사이의 트레이드오���을 보여준다.
• 무방향 그래프에서 그룹-클로즈니스 최대화는 국소 탐색을 통해 상수 요소 근사를 허용하며, 이론적 하한은 1−1/(e+1)이다.
• 방향성 그래프에서 그룹-클로즈니스 최대화는 |V|^{-ε} 이내로 근사하는 것이 NP-난이도이며, 이는 강력한 근사 불가능성을 시사한다. 여기서 ε < 1/2 이다.
• 최적 해를 계산할 수 있는 작은 인스턴스에서, Greedy-LS-C와 GS-LS-C는 각각 최적 해의 98.66% 및 98.50% 이내의 해를 달성한다.
• 더 큰 인스턴스에서, Greedy-LS-C와 GS-LS-C는 Greedy-C와 GS보다 해의 품질 면에서 일관되게 뛰어나며, 작은 그룹 크기에서는 Greedy-LS-C가 GS-LS-C보다 빠르고, 더 큰 그룹에서는 반대의 성능을 보인다.