[논문 리뷰] k-way Hypergraph Partitioning via n-Level Recursive Bisection

Sebastian Schlag, Vitali Henne외 4명|arXiv (Cornell University)|2015. 11. 10.

VLSI and FPGA Design Techniques참고 문헌 41인용 수 6

한 줄 요약

이 논문은 n단계 반복 이분할을 통해 한 번에 한 정점씩 수축함으로써 뛰어난 해의 품질과 성능을 달성하는 새로운 k-way 초그래프 분할 알고리즘인 KaHyPar를 제안한다. 고도로 발전된 캐싱, 게이트 없는 평가, 포트폴리오 기반의 초기 분할기, 최적화된 초그래프 데이터 구조를 활용함으로써 KaHyPar는 hMetis와 PaToH보다 컷 크기와 실행 시간 모두에서 뛰어난 성능을 보이며, 특히 사회망과 10%의 불균형 허용 범위에서 두각을 나타낸다.

ABSTRACT

We develop a multilevel algorithm for hypergraph partitioning that contracts the vertices one at a time. Using several caching and lazy-evaluation techniques during coarsening and refinement, we reduce the running time by up to two-orders of magnitude compared to a naive $n$-level algorithm that would be adequate for ordinary graph partitioning. The overall performance is even better than the widely used hMetis hypergraph partitioner that uses a classical multilevel algorithm with few levels. Aided by a portfolio-based approach to initial partitioning and adaptive budgeting of imbalance within recursive bipartitioning, we achieve very high quality. We assembled a large benchmark set with 310 hypergraphs stemming from application areas such VLSI, SAT solving, social networks, and scientific computing. We achieve significantly smaller cuts than hMetis and PaToH, while being faster than hMetis. Considerably larger improvements are observed for some instance classes like social networks, for bipartitioning, and for partitions with an allowed imbalance of 10%. The algorithm presented in this work forms the basis of our hypergraph partitioning framework KaHyPar (Karlsruhe Hypergraph Partitioning).

연구 동기 및 목표

• 다단계 초그래프 분할에서 해의 품질과 실행 시간 사이의 상충 관계를 해결하기 위해 극단적인 n단계 수축 전략을 탐색한다.
• 최적화된 데이터 구조와 캐싱 기법을 통해 난이도 높은 n단계 알고리즘의 성능 저하 문제를 해결한다.
• 실제 불균형 제약 조건 하에서 다양한 초그래프 유형, 특히 사회망과 희소 행렬에 대해 분할 품질을 향상시킨다.
• hMetis와 PaToH와 같이 널리 사용되는 도구를 뛰어넘는 속도와 해의 품질을 동시에 확보하는 확장성 있고 효율적인 프레임워크를 개발한다.
• 적응형 균형 제약 조건과 지능적인 국소 탐색을 통해 반복 이분할을 통한 고품질 k-way 분할을 가능하게 한다.

제안 방법

• 한 번에 한 정점씩 수축함으로써 거의 n단계의 계층을 형성하는 n단계 반복 이분할을 사용하여 국소 탐색의 기회를 극대화한다.
• 정점 수축을 안내하기 위한 평가 함수를 구현하여 컷 증가를 최소화하고 균형을 유지하는 쌍을 우선순위로 지정한다.
• 국소 탐색 중 수익 값의 게이트 없는 평가와 캐싱을 적용하여 중복 계산을 줄이고 효율성을 향상시킨다.
• 빠르고 랜덤화된 초기 분할기 포트폴리오(예: BFS, 레이블 전파, 탐욕적 성장)를 활용하여 고품질의 초기 해를 제공한다.
• 정점 수축과 복원을 최소한의 오버헤드로 효율적으로 지원하는 특수 설계된 초그래프 데이터 구조를 설계한다.
• 반복 이분할 과정에서 불균형에 대한 적응형 예산 배정을 도입하여 최종 k-way 분할이 사용자 지정된 균형 제약 조건을 충족하도록 보장한다.

실험 결과

연구 질문

• RQ1 n단계 반복 이분할 접근 방식이 기존의 다단계 초그래프 분할 기법보다 해의 품질과 실행 시간 면에서 뛰어나게 되는가?
• RQ2 n단계 프레임워크 내에서 세밀한 국소 탐색과 결합된 포트폴리오 기반의 초기 분할 전략은 얼마나 효과적인가?
• RQ3 수익 값의 캐싱과 게이트 없는 평가 기법이 고정밀도 분할에서 국소 탐색의 계산 비용을 얼마나 줄이는가?
• RQ4 다양한 초그래프 유형, 특히 사회망과 희소 행렬에 대해 다양한 불균형 제약 조건 하에서 알고리즘이 어떻게 성능을 발휘하는가?
• RQ5 10%의 불균형 조건 하에서 hMetis와 비교해 더 낮은 컷 품질을 달성하면서도 hMetis보다 더 빠른가?

주요 결과

• KaHyPar는 모든 벤치마크 클래스에서 hMetis와 PaToH보다 훨씬 낮은 컷 크기를 달성하며, 사회망 인스턴스에서는 최대 30%의 개선을 보였다.
• 희소 행렬 인스턴스에서는 hMetis-R 및 PaToH 변종보다 더 나은 분할을 생성하면서도 실행 시간은 유사한 수준을 유지했다.
• 10%의 불균형 허용 범위가 있을 경우, 700개 인스턴스 중 431개에서 KaHyPar가 최상의 해를 도출하여 강력한 확장성과 강인성을 입증했다.
• 모든 벤치마크에서 hMetis보다 더 빠르며, 난이도 높은 n단계 구현 대비 최대 100배의 실행 시간 감소를 기록했다.
• ε=0.01일 때, 7000개의 분할 중 불균형 분할이 58개(최대 2.5% 불균형)에 그쳤고, hMetis-R의 163개보다 훨씬 낮은 불균형 수준을 유지했다.
• 통계적 검정 결과, KaHyPar의 해 품질은 희소 행렬에서 hMetis-R, hMetis-K, PaToH-Q, PaToH-D보다 유의미하게 뛰어나며, p < 2.2×10⁻¹⁶의 유의 수준을 확보했다.