[논문 리뷰] Sampling Arbitrary Subgraphs Exactly Uniformly in Sublinear Time

Hendrik Fichtenberger, Mingze Gao외 1명|arXiv (Cornell University)|2020. 05. 04.

Markov Chains and Monte Carlo Methods참고 문헌 21인용 수 4

한 줄 요약

이 논문은 degree, neighbor, pair, edge-sampling 쿼리를 사용하여 큰 그래프 $G$에서 임의의 부분그래프 $H$를 정확히 균일하게 샘플링하는 서브라인 타임 알고리즘을 제시한다. 알고리즘은 쿼리 및 시간 복잡도가 각각 $\tilde{O}(\min\{m, m^{\rho(H)}/\#H\})$ 및 $\tilde{O}(m^{\rho(H)}/\#H)$를 달성하며, 여기서 $\rho(H)$는 $H$의 분수 엣지 커버이고 $\#H$는 $G$ 내 $H$의 복제 수이다. 이는 클리크에 대해 거의 최적이다.

ABSTRACT

We present a simple sublinear-time algorithm for sampling an arbitrary subgraph $H$ \emph{exactly uniformly} from a graph $G$ with $m$ edges, to which the algorithm has access by performing the following types of queries: (1) degree queries, (2) neighbor queries, (3) pair queries and (4) edge sampling queries. The query complexity and running time of our algorithm are $ ilde{O}(\min\{m, \frac{m^{ρ(H)}}{\# H}\})$ and $ ilde{O}(\frac{m^{ρ(H)}}{\# H})$, respectively, where $ρ(H)$ is the fractional edge-cover of $H$ and $\# H$ is the number of copies of $H$ in $G$. For any clique on $r$ vertices, i.e., $H=K_r$, our algorithm is almost optimal as any algorithm that samples an $H$ from any distribution that has $Ω(1)$ total probability mass on the set of all copies of $H$ must perform $Ω(\min\{m, \frac{m^{ρ(H)}}{\# H\cdot (cr)^r}\})$ queries. Together with the query and time complexities of the $(1\pm \varepsilon)$-approximation algorithm for the number of subgraphs $H$ by Assadi, Kapralov and Khanna [ITCS 2018] and the lower bound by Eden and Rosenbaum [APPROX 2018] for approximately counting cliques, our results suggest that in our query model, approximately counting cliques is "equivalent to" exactly uniformly sampling cliques, in the sense that the query and time complexities of exactly uniform sampling and randomized approximate counting are within a polylogarithmic factor of each other. This stands in interesting contrast to an analogous relation between approximate counting and almost uniformly sampling for self-reducible problems in the polynomial-time regime by Jerrum, Valiant and Vazirani [TCS 1986].

연구 동기 및 목표

• 큰 그래프 $G$에서 고정된 부분그래프 $H$를 정확히 균일하게 샘플링할 수 있는 서브라인 타임 알고리즘을 개발하는 것.
• 간단한 구조(예: 엣지 또는 삼각형)를 초월하여 임의의 부분그래프에 대한 균일 샘플링 문제를 다루는 것.
• 일반적인 그래프 쿼리 모델에서 정확한 균일 샘플링에 대한 쿼리 및 시간 복잡도의 날카로운 경계를 설정하는 것.
• 정확한 균일 샘플링과 부분그래프, 특히 클리크의 근사 카운팅 간의 관계를 탐색하는 것.

제안 방법

• 알고리즘은 목표 부분그래프 $H$의 분수 엣지 커버를 기반으로 한 재귀적 분해를 사용하며, 샘플링을 이끄는 데 분수 엣지 커버 $\rho(H)$ 개념을 활용한다.
• 세 단계 과정을 수행한다: 먼저 '와이드' 또는 '스타' 구조를 샘플링하고, 이를 확장하여 $H$의 완전한 복제를 형성하며, 상수 크기의 부분그래프에 대한 동형성 검사를 수행한다.
• 가능한 엣지를 샘플링하기 위해 엣지-sampling 쿼리를 수행하고, 지역 이웃을 효율적으로 탐색하기 위해 degree 및 neighbor 쿼리를 사용한다.
• 기각 샘플링 프레임워크를 통해 각 $H$의 복제가 정확히 균일 확률 $1/\#H$로 선택되도록 보장한다.
• 분수 엣지 커버 밀도 $\rho(H)$를 통한 랜덤화된 절차를 사용하여 쿼리 복잡도를 제한하며, 서브라인 성능을 보장한다.
• 알고리즘은 총 엣지 수 $m$을 알고 있다고 가정하지만, 이는 $m$에 대한 $(1+\varepsilon)$-근사치로 약간의 정확도 손실을 감수하면서도 완화될 수 있다.

실험 결과

연구 질문

• RQ1 표준 쿼리 유형을 사용하여 큰 그래프 $G$에서 임의의 부분그래프 $H$를 정확히 균일하게 샘플링할 수 있는 서브라인 타임 알고리즘을 설계할 수 있는가?
• RQ2 일반적인 그래프 쿼리 모델에서 부분그래프 $H$의 정확한 균일 샘플링에 대한 최적의 쿼리 및 시간 복잡도는 무엇인가?
• RQ3 정확한 균일 샘플링의 복잡도는 부분그래프, 특히 클리크의 근사 카운팅 문제와 어떻게 관련이 있는가?
• RQ4 정확한 균일 샘플링과 근사 카운팅 사이에 서브라인 시간 내에서 기본적인 동치성이 존재하는가?

주요 결과

• 알고리즘은 임의의 부분그래프 $H$에 대해 정확한 균일 샘플링에서 $\tilde{O}(\min\{m, m^{\rho(H)}/\#H\})$의 쿼리 복잡도와 $\tilde{O}(m^{\rho(H)}/\#H)$의 시간 복잡도를 달성한다.
• $r$-클리크($H = K_r$)의 경우, 알고리즘의 복잡도는 클리크 복제에 대해 $\Omega(1)$의 질량을 가진 분포에서 샘플링하는 어떤 알고리즘보다 거의 최적이다.
• 결과는 주어진 쿼리 모델에서 정확한 균일 샘플링과 랜덤화된 근사 카운팅 간의 쿼리 및 시간 복잡도가 다항로그 인자 범위 내에서 유사하다는 것을 시사한다.
• 이는 서브라인 시간 내에서 클리크에 대한 정확한 균일 샘플링과 근사 카운팅 간에 강력한 동치성이 있음을 의미하며, 다항시간 내의 고전적 JVV 프레임워크와 대조된다.
• 알고리즘의 성능은 $m$에 대한 불확실성에 대해 강건하며, $m$에 대한 $(1+\varepsilon)$-근사치만 있으면 $\varepsilon$-근사 균일성을 유지할 수 있다.
• 분석을 통해 분수 엣지 커버 수 $\rho(H)$와 샘플링 복잡도 사이의 날카로운 연결 고리가 확립되었으며, 이는 $\rho(H)$가 효율성을 결정짓는 핵심 구조적 파라미터임을 보여준다.