[논문 리뷰] Sublinear Estimation of Weighted Matchings in Dynamic Data Streams

Marc Bury, Chris Schwiegelshohn|arXiv (Cornell University)|2015. 05. 08.

Complexity and Algorithms in Graphs참고 문헌 30인용 수 19

한 줄 요약

이 논문은 하위선형 공간을 사용하여 동적 그래프 스트림에서 최대 가중치 매칭의 무게를 추정하기 위한 새로운 알고리즘을 제안한다. 이는 문제를 무가중치 매칭 크기 추정으로 환원함으로써 이루어지며, 평면 그래프에 대해 Õ(n⁴/⁵) 공간을 사용하여 상수 요인 근사치를 달성한다. 또한, 공격자 스트림에서 최대 매칭 크기를 1+O(β) 요인 내에서 근사화하기 위한 거의 최적의 Ω(n¹⁻ᵝ) 공간 하한을 설정한다.

ABSTRACT

This paper presents an algorithm for estimating the weight of a maximum weighted matching by augmenting any estimation routine for the size of an unweighted matching. The algorithm is implementable in any streaming model including dynamic graph streams. We also give the first constant estimation for the maximum matching size in a dynamic graph stream for planar graphs (or any graph with bounded arboricity) using $ ilde{O}(n^{4/5})$ space which also extends to weighted matching. Using previous results by Kapralov, Khanna, and Sudan (2014) we obtain a $\mathrm{polylog}(n)$ approximation for general graphs using $\mathrm{polylog}(n)$ space in random order streams, respectively. In addition, we give a space lower bound of $Ω(n^{1-\varepsilon})$ for any randomized algorithm estimating the size of a maximum matching up to a $1+O(\varepsilon)$ factor for adversarial streams.

연구 동기 및 목표

• 제한된 공간에서 동적 그래프 스트림에서 최대 가중치 매칭 크기를 추정하는 데 도전 과제를 해결한다.
• 모든 무가중치 매칭 추정 루틴을 가중치 매칭 추정기로 변환할 수 있는 방법을 개발한다.
• 평면 그래프(또는 유계-산림성 그래프)에 대해 동적 스트림에서 최대 매칭 크기에 대한 최초의 상수 요인 근사치를 제공한다.
• 공격자 스트림과 무작위 순서 스트림에서 최대 매칭 크기를 근사화하기 위한 엄밀한 공간 복잡도 범위를 확립한다.
• 기존 기법을 사용하여 랜덤 순서 스트림에서의 다항로그 근사치 결과를 동적 환경으로 확장한다.

제안 방법

• 간선 가중치와 그래프 구조를 기반으로 한 변환을 통해 가중치 매칭 추정 문제를 무가중치 매칭 크기 추정 문제로 환원한다.
• 벡터 내 1의 개수의 기수성에 따라 최대 매칭 크기가 달라지는 동적 그래프 스트림 인스턴스를 구성하며, 이는 초매칭 기반 환원을 통해 이루어진다.
• 매칭 추정을 위한 공간 하한을 증명하기 위해 부울 숨겨진 초매칭(BHH) 문제로의 환원을 사용한다.
• 최대 매칭 크기와 투트 매트릭스의 랭크 사이의 등가성을 활용하여 행렬 랭크 추정을 위한 하한을 유도한다.
• 공간 요구량을 분석하기 위해 스트리밍 알고리즘 기법, 특히 선형 스케치와 확률적 통신 복잡도를 적용한다.
• 두 노드 쌍과 t-클리크를 사용한 구성으로 앨리스의 입력과 보브의 초매칭 간의 상호작용을 모델링함으로써 엄밀한 하한을 도출한다.

실험 결과

연구 질문

• RQ1 하위선형 공간 알고리즘이 동적 그래프 스트림에서 최대 가중치 매칭의 무게를 추정할 수 있는가?
• RQ2 평면 그래프에 대해 동적 스트림에서 최대 매칭 크기를 상수 요인으로 근사화하기 위한 최적의 공간 복잡도는 무엇인가?
• RQ3 동적 스트림에서의 매칭 추정 공간 복잡도는 삽입 전용 또는 무작위 순서 스트림에서의 복잡도와 어떻게 비교되는가?
• RQ4 공격자 동적 스트림에서 최대 매칭 크기를 1+ε 요인 내에서 근사화하기 위한 본질적인 공간 하한은 무엇인가?
• RQ5 매칭 크기와 행렬 랭크 사이의 연결 고리를 활용하여 스트리밍 알고리즘에 대해 더 강력한 하한을 도출할 수 있는가?

주요 결과

• 논문은 평면 그래프에 대해 동적 그래프 스트림에서 최대 매칭 크기에 대한 최초의 상수 요인 근사치를 Õ(n⁴/⁵) 공간을 사용하여 제시한다.
• 일반 그래프에 대해서는, 무작위 순서 스트림에서 다항로그(n) 공간을 사용하여 다항로그(n)-근사치를 달성하며, 카프랄로프 등이 이전에 확립한 결과를 확장한다.
• 어떤 랜덤화 알고리즘도 공격자 스트림에서 최대 매칭 크기를 1+O(β) 요인 내에서 근사화하기 위해 Ω(n¹⁻ᵝ) 공간이 필요하다는 하한이 확립된다.
• 이 하한은 부울 숨겨진 초매칭 문제로의 환원을 통해 유도되며, (1+1/(3t/2−1))-근사치를 위해 Ω(n¹⁻ᵗ/²) 공간이 필요하다는 것을 보여준다.
• 이 결과는 동적 스트림에서 행렬의 랭크를 (최대 매칭 크기와 등가임을 감안할 때) 1+1/(3t/2−1) 요인 내에서 추정하기 위해 Ω(n¹⁻ᵗ/²) 공간이 필요하다는 것을 시사한다.
• 이 프레임워크는 기존의 무가중치 매칭 추정 루틴을 동적 환경에서 가중치 매칭 문제를 해결하는 데 재사용할 수 있도록 한다.