[논문 리뷰] Multi-Level Weighted Additive Spanners

Reyan Ahmed, Greg Bodwin외 4명|arXiv (Cornell University)|2021. 01. 01.

Complexity and Algorithms in Graphs참고 문헌 30인용 수 2

한 줄 요약

이 논문은 간선 가중치가 있는 그래프에 대해 다중 수준 가중치 부여된 덧셈 스파너 프레임워크를 제안한다. 여기서 정점들은 다양한 품질 서비스(QoS) 수준을 가진다. 이는 +2 부분집합 스파너를 가중치가 있는 그래프로 일반화한 것으로, 이전 연구에서의 +8W 오차 bound 대신 +2W 오차 bound를 달성한다. 또한 d-light 초기화 파rameter 조정을 제안하며, 실험을 통해 이 파rameter를 튜닝하면 런타임 비용을 최소화하면서도 스파너의 희박성(sparsity)을 크게 감소시킴을 보여주며, Erdős–Rényi, Watts–Strogatz, Barabási–Albert 및 무작위 기하 그래프에서 기준 방법들을 능가한다.

ABSTRACT

Given a graph G = (V,E), a subgraph H is an additive +β spanner if dist_H(u,v) ≤ dist_G(u,v) + β for all u, v ∈ V. A pairwise spanner is a spanner for which the above inequality is only required to hold for specific pairs P ⊆ V × V given on input; when the pairs have the structure P = S × S for some S ⊆ V, it is called a subsetwise spanner. Additive spanners in unweighted graphs have been studied extensively in the literature, but have only recently been generalized to weighted graphs. In this paper, we consider a multi-level version of the subsetwise additive spanner in weighted graphs motivated by multi-level network design and visualization, where the vertices in S possess varying level, priority, or quality of service (QoS) requirements. The goal is to compute a nested sequence of spanners with the minimum total number of edges. We first generalize the +2 subsetwise spanner of [Pettie 2008, Cygan et al., 2013] to the weighted setting. We experimentally measure the performance of this and several existing algorithms by [Ahmed et al., 2020] for weighted additive spanners, both in terms of runtime and sparsity of the output spanner, when applied as a subroutine to multi-level problem. We provide an experimental evaluation on graphs using several different random graph generators and show that these spanner algorithms typically achieve much better guarantees in terms of sparsity and additive error compared with the theoretical maximum. By analyzing our experimental results, we additionally developed a new technique of changing a certain initialization parameter which provides better spanners in practice at the expense of a small increase in running time.

연구 동기 및 목표

• 정점들이 서로 다른 우선순위 또는 서비스 요구 사항을 가진 다중 수준 QoS 환경에서 효율적인 가중치 부여 덧셈 스파너를 구성할 수 있는 방법의 부족을 해결하기 위해.
• 비가중치 +2 부분집합 스파너를 가중치가 있는 경우로 일반화하여, 이전 연구에서의 +8W 대신 +2W 오차 bound를 달성하기 위해.
• 스파너의 희박성과 런타임 효율성 향상을 위해 초기화 파ram터(특히 d-light 초기화에서의 d)를 평가하고 최적화하기 위해.
• 다양한 무작위 그래프 모델에서 스파너 품질을 평가하기 위한 실용적 프레임워크를 제공하기 위해. 이 프레임워크는 근사 알고리즘과 정수선형계획법(ILP)을 결합한다.

제안 방법

• 증가하는 QoS 수준에 따라 포함된 하위그래프를 구축하는 다중 수준 스파너 구축 방법을 제안하며, 각 하위그래프는 원래 그래프의 최단경로에 대해 덧셈 오차 bound를 만족한다.
• 최단경로를 따라 발생하는 간선 수 대신 최대 간선 가중치 W(s,t)를 사용하여 +2 부분집합 스파너 구축 방법을 가중치가 있는 그래프로 일반화함으로써 +2W 오차 bound를 달성한다.
• 각 정점당 d개의 가벼운 간선을 추가하는 d-light 초기화 단계를 도입하여, 최단경로에 포함될 가능성이 높은 간선을 우선순위로 배치함으로써 스파너 품질을 향상시킨다.
• d 값들에 대한 파라미터 스윕(예: d, d/2, d/4, ...)을 수행하고, 그 중에서 가장 희박한 스파너를 선택함으로써 런타임에 log d 요소만 추가한다.
• 작은 인스턴스에 대해 정확한 최적 스파너를 계산하기 위해 정수선형계획법(ILP)을 사용하며, 이는 근사 품질 평가의 기준으로 기능한다.
• Erdős–Rényi, Watts–Strogatz, Barabási–Albert 및 무작위 기하 그래프의 네 가지 무작위 그래프 모델에서 알고리즘을 평가하며, n, ℓ 및 종단점 선택 방법을 다양하게 설정한다.

실험 결과

연구 질문

• RQ1 비가중치 +2 부분집합 스파너 구축 방법을 가중치가 있는 그래프로 일반화하여 +2W 오차 bound를 달성할 수 있는가?
• RQ2 d-light 방법에서 초기화 파aram터 d의 선택이 다중 수준 가중치 부여 덧셈 스파너 구축에서 스파너의 희박성과 런타임에 어떤 영향을 미치는가?
• RQ3 다양한 무작위 그래프 모델에서 근사 알고리즘과 최적 해(정수선형계획법으로 계산) 사이의 성능 격차는 얼마인가?
• RQ4 이론적으로 최적의 d 값이 더 클지라도, d의 지수 감소(예: d에서 d/8로)가 실질적으로 더 희박한 스파너를 만들어내는가?

주요 결과

• d-light 초기화 방법은 클러스터링 기반 접근보다 스파너의 희박성을 크게 향상시키며, 이론적으로 예측된 것보다 훨씬 작은 d 값에서 최고 성능를 기록한다.
• d를 지수적으로 감소시킴(예: d에서 d/8로)하면 항상 더 희박한 스파너를 얻으며, 여러 d 값에서 유도된 스파너 중 가장 희박한 것을 선택함으로써 런타임 비용은 log d 요소만 증가시키면서 성능 향상을 이룬다.
• +2W 스파너 구축 방법은 이전 연구에서의 +8W 기준 방법보다 우수하며, 오차를 +8W에서 +2W로 감소시키면서도 유사한 희박성을 유지한다.
• ILP 솔버는 소형 그래프(≤40 정점)에 대해서는 최적 해를 찾았으며, 45정점 이상의 인스턴스에서는 런타임이 64시간을 초과하여, 확장 가능한 휴리스틱의 필요성을 확인한다.
• Erdős–Rényi 및 무작위 기하 그래프에서, +2W 클러스터링 기반 알고리즘은 초기화 기반 방법보다 느렸으며, 그래프 크기가 증가함에 따라 초기화 기반 방법이 더 잘 스케일링된다.
• 적응형 d-파라미터 튜닝을 통해 실험적 근사 비율(스파너 크기 / 최적 크기)이 크게 향상되었으며, 특히 밀도가 높고 소월드 성질을 가진 그래프에서 두드러진다.