[논문 리뷰] Sublinear Time Estimation of Degree Distribution Moments: The Degeneracy Connection

Talya Eden, Dana Ron외 1명|arXiv (Cornell University)|2016. 04. 13.

Complexity and Algorithms in Graphs인용 수 3

한 줄 요약

이 논문은 그래프의 분해성(degeneracy)을 활용하여 무작위로 선택된 정점, 차수, 이웃에 대한 쿼리를 사용하는 새로운 비선형 시간 알고리즘을 제안한다. 이 알고리즘은 분해성이 낮은 그래프, 즉 최소서브그래프가 없는 가중치가 낮은 그래프에서 특히 뛰어난 성능을 보이며, 평균 차수를 Õ(1) 쿼리 내에 추정하고 분산을 Õ(√n) 쿼리 내에 추정한다. 이는 이전의 최악의 경우 쿼리 복잡도보다 유의미하게 향상된 결과이다.

ABSTRACT

We revisit the classic problem of estimating the degree distribution moments of an undirected graph. Consider an undirected graph $G=(V,E)$ with $n$ vertices, and define (for $s > 0$) $μ_s = \frac{1}{n}\cdot\sum_{v \in V} d^s_v$. Our aim is to estimate $μ_s$ within a multiplicative error of $(1+ε)$ (for a given approximation parameter $ε>0$) in sublinear time. We consider the sparse graph model that allows access to: uniform random vertices, queries for the degree of any vertex, and queries for a neighbor of any vertex. For the case of $s=1$ (the average degree), $\widetilde{O}(\sqrt{n})$ queries suffice for any constant $ε$ (Feige, SICOMP 06 and Goldreich-Ron, RSA 08). Gonen-Ron-Shavitt (SIDMA 11) extended this result to all integral $s > 0$, by designing an algorithms that performs $\widetilde{O}(n^{1-1/(s+1)})$ queries. We design a new, significantly simpler algorithm for this problem. In the worst-case, it exactly matches the bounds of Gonen-Ron-Shavitt, and has a much simpler proof. More importantly, the running time of this algorithm is connected to the degeneracy of $G$. This is (essentially) the maximum density of an induced subgraph. For the family of graphs with degeneracy at most $α$, it has a query complexity of $\widetilde{O}\left(\frac{n^{1-1/s}}{μ^{1/s}_s} \Big(α^{1/s} + \min\{α,μ^{1/s}_s\}\Big) ight) = \widetilde{O}(n^{1-1/s}α/μ^{1/s}_s)$. Thus, for the class of bounded degeneracy graphs (which includes all minor closed families and preferential attachment graphs), we can estimate the average degree in $\widetilde{O}(1)$ queries, and can estimate the variance of the degree distribution in $\widetilde{O}(\sqrt{n})$ queries. This is a major improvement over the previous worst-case bounds. Our key insight is in designing an estimator for $μ_s$ that has low variance when $G$ does not have large dense subgraphs.

연구 동기 및 목표

• 비선형 시간 내에서 차수 분포의 모멘트를 추정하기 위한 더 효율적이고 개념적으로 단순한 알고리즘을 설계하는 것.
• 모멘트 추정의 쿼리 복잡도를 그래프의 분해성이라는 국소 밀도를 측정하는 구조적 성질과 연결하는 것.
• 실제 그래프 가족에서 낮은 분해성을 활용하여 이전의 최악의 경우 쿼리 복잡도를 향상시키는 것.
• 분해성이 유한한 그래프에서 평균 차수 추정을 위한 상수 쿼리 알고리즘이 존재함을 보여주는 것.
• 분해성의 지식이 일반적인 방법이 Ω(√n) 쿼리가 필요로 하는 상황에서 비선형 알고리즘을 가능하게 한다는 것을 입증하는 것.

제안 방법

• 알고리즘은 희소 그래프 모델 내에서 균일한 랜덤 정점 쿼리, 차수 쿼리, 이웃 쿼리를 사용한다.
• 큰 조밀한 부분그래프가 없는, 즉 분해성이 낮은 그래프에서 변동성이 낮은 새로운 μs 추정기법을 도입한다.
• 쿼리 복잡도는 Õ(n^{1-1/s} α / μ_s^{1/s})로 제한되며, 여기서 α는 분해성이고 μ_s는 차수 분포의 s차 모멘트이다.
• 이 방법은 그래프의 분해성에 적응하여, 분해성이 유한한 가족에서는 거의 상수 수준의 쿼리 복잡도를 달성한다.
• 핵심 기술적 통찰은 분해성이 추정기의 분산을 제어하여 더 강한 집중 경계를 가능하게 한다는 것이다.
• 기존의 Gonen, Ron, Shavitt의 작업보다 훨씬 단순화된 설계와 분석을 제공한다.

실험 결과

연구 질문

• RQ1 분해성과 같은 구조적 성질을 활용하여 차수 분포 모멘트 추정의 쿼리 복잡도를 향상시킬 수 있는가?
• RQ2 분해성이 유한한 그래프에서 평균 차수 추정에 대해 Õ(1) 쿼리 복잡도를 달성할 수 있는가?
• RQ3 그래프의 분해성이 비선형 모멘트 추정의 복잡도를 제한하는 의미 있는 매개변수인가?
• RQ4 이전 작업의 쿼리 복잡도를 유지하면서도 더 나은 구조적 통찰을 제공하는 더 단순한 알고리즘을 설계할 수 있는가?
• RQ5 분해성이 알려져 있지 않은 경우, 분해성이 유한한 그래프 가족이라도 μs 추정의 본질적 쿼리 복잡도는 무엇인가?

주요 결과

• 분해성이 최대 α인 그래프에 대해, 알고리즘은 Õ(n^{1-1/s} α / μ_s^{1/s})의 쿼리 복잡도를 달성하며, 이는 다항로그 인자 외에는 최적이다.
• 분해성이 유한한 그래프—예를 들어 최소서브그래프 가족 및 선호적 연결 그래프—에서는 평균 차수를 Õ(1) 쿼리 내에 추정할 수 있다.
• 이러한 그래프에서 차수 분포의 분산은 Õ(√n) 쿼리 내에 추정할 수 있으며, 이는 일반 그래프에 대해 알려진 최고의 경계와 일치한다.
• 알고리즘은 Gonen, Ron, Shavitt의 알고리즘의 최악의 경우 쿼리 복잡도를 그대로 유지하지만, 훨씬 단순한 설계와 분석을 제공한다.
• 분해성의 지식은 필수적이다: 분해성이 ≤2인 모든 그래프에서 작동해야 하는 알고리즘은 여전히 최악의 경우 Ω(√n) 쿼리를 해야 한다.
• 하한선 분석을 통해 분해성이 2인 그래프일지라도, c-유효 알고리즘이 √n 이하의 쿼리 복잡도를 달성할 수 없음을 보여주며, 이는 경계의 날카로움을 입증한다.