[논문 리뷰] The Sketching Complexity of Graph Cuts

Alexandr Andoni, Robert Krauthgamer외 1명|arXiv (Cornell University)|2014. 03. 27.

Complexity and Algorithms in Graphs참고 문헌 20인용 수 8

한 줄 요약

이 논문은 그래프 컷을 (1+ε) 요인으로 근사하는 데 필요한 스킴핑 복잡도에 대해 날카러진 경계를 확립하며, 일반적인 스킴핑에 대해선 Ω(n/ε²) 비트가 필수적임을 증명하고, 최적의 공간을 위해선 Ω(n/ε)가 필요하다고 밝힌다. 이는 계층적 엣지 샘플링과 스퍼피케이션을 활용하는 새로운 스킴핑 체계를 도입하여, 최적의 Õ(n/ε) 스킴핑 크기를 달성함으로써 이전의 Õ(n/ε²) 경계보다 크게 향상되었으며, 새로운 경계가 정보 이론적으로 날카로운지 증명한다.

ABSTRACT

We study the problem of sketching an input graph, so that given the sketch, one can estimate the weight of any cut in the graph within factor $1+ε$. We present lower and upper bounds on the size of a randomized sketch, focusing on the dependence on the accuracy parameter $ε>0$. First, we prove that for every $ε> 1/\sqrt n$, every sketch that succeeds (with constant probability) in estimating the weight of all cuts $(S,\bar S)$ in an $n$-vertex graph (simultaneously), must be of size $Ω(n/ε^2)$ bits. In the special case where the sketch is itself a weighted graph (which may or may not be a subgraph) and the estimator is the sum of edge weights across the cut in the sketch, i.e., a cut sparsifier, we show the sketch must have $Ω(n/ε^2)$ edges, which is optimal. Despite the long sequence of work on graph sparsification, no such lower bound was known on the size of a cut sparsifier. We then design a randomized sketch that, given $ε\in(0,1)$ and an edge-weighted $n$-vertex graph, produces a sketch of size $ ilde O(n/ε)$ bits, from which the weight of any cut $(S,\bar S)$ can be reported, with high probability, within factor $1+ε$. The previous upper bound is $ ilde O(n/ε^2)$ bits, which follows by storing a cut sparsifier (Bencz{ú}r and Karger, 1996). To obtain this improvement, we critically use both that the sketch need only be correct on each fixed cut with high probability (rather than on all cuts), and that the estimation procedure of the data structure can be arbitrary (rather than a weighted subgraph). We also show a lower bound of $Ω(n/ε)$ bits for the space requirement of any data structure achieving this guarantee.

연구 동기 및 목표

• n-정점 그래프에서 모든 컷을 (1+ε)-근사하기 위해 필요한 최소 스킴핑 크기의 이해 격차를 메우기.
• 이전의 Õ(n/ε²) 상한 경계를 개선하여, 더 공간 효율적인 데이터 구조를 설계함으로써 컷 스킴핑에 대해 개선된 결과를 도출하기.
• (1+ε)-근사 보장 조건 하에서, 심지어 무게가 동일한 그래프일지라도 스킴핑 크기에 대해 Ω(n/ε)의 날카로운 하한 경계를 확립하기.
• 스킴핑 문제와 컷 스퍼피케이터 구축 간의 본질적 차이를 보여주며, 더 컴act한 표현을 가능하게 한다.

제안 방법

• 모든 컷 무게를 추정할 수 있는 임의의 데이터 구조를 허용하는 컷 스퍼피케이터를 일반화한 일반적인 스킴핑 모델을 제안한다.
• 다른 무게 임계값에서 엣지를 샘플링하는 계층적 스킴핑 체계를 설계하며, 엣지 무게가 있는 부분 그래프에 대해 재귀적 분해를 적용한다.
• 크기가 ≥2인 연결 요소 각각에 대해 기본 스킴핑을 적용하며, 크기가 s인 요소당 Õ(s/ε) 공간을 사용한다.
• 지수적으로 간격을 두고 나누어진 무게 수준에 대해 통합 합(telestoping sum)을 적용하여, 모든 수준에서의 총 저장소를 제한함으로써 총 공간 Õ(n/ε)을 달성한다.
• 비트 스트링을 이분 그래프에 인코딩하는 확률적 추론을 활용하여, 일정한 성공 확률을 가지는 모든 스킴핑 체계에 대해 Ω(n/ε) 비트의 하한 경계를 증명한다.
• 개별 컷 값의 (1+ε) 정확도로 추정 가능하다면, 컷 값의 차이를 통해 개별 엣지 존재 여부를 재구성할 수 있음을 활용한다.

실험 결과

연구 질문

• RQ1 n-정점 그래프에서 모든 컷의 가중치를 (1+ε)-근사하기 위해 필요한 최소 크기의 스킴핑은 무엇인가?
• RQ2 컷 스퍼피케이터의 경우 기존의 Õ(n/ε²) 상한 경계를 일반적인 스킴핑에 대해 개선할 수 있는가?
• RQ3 컷 스퍼피케이터에 대해 Ω(n/ε²) 하한 경계는 날카로운가, 아니면 더 개선될 수 있는가?
• RQ4 스킴핑 체계가 (1+ε)-근사 보장을 유지하면서도 Õ(n/ε) 크기의 스킴핑을 달성할 수 있는가?
• RQ5 (1+ε)-근사적 컷 추정을 위한 스킴핑 크기의 정보 이론적 한계는 무엇인가?

주요 결과

• 논문은 n-정점 그래프에서 모든 컷을 (1+ε)-근사하는 데 필요한 어떤 스킴핑의 크기에 대해 날카로운 Ω(n/ε²) 하한 경계를 증명하며, 오랫동안 열려있던 열린 문제를 해결한다.
• 특히 컷 스퍼피케이터의 경우, 간선 수에 대해 날카로운 Ω(n/ε²) 하한 경계를 확립하며, 이 경계가 최적임을 보여주고 더 이상 향상될 수 없음을 증명한다.
• 저자들은 (1+ε)-근사적 컷 추정을 고려 확률적으로 지원하는 크기 Õ(n/ε) 비트의 스킴핑 체계를 설계한다.
• 기존 Benczúr과 Karger의 컷 스퍼피케이터 구축에서 유도된 Õ(n/ε²) 상한 경계에 비해, 새로운 상한 경계 Õ(n/ε)는 크게 향상되었다.
• 모든 (1+ε)-근사 스킴핑 체계에 대해 Ω(n/ε) 비트의 일치하는 하한 경계를 증명함으로써, 새로운 상한 경계가 다항로그 인자 범위 내에서 최적임을 보여준다.
• 결과적으로, 스킴핑 문제와 컷 스퍼피케이션 간의 본질적 차이를 시사하며, 특히 각 컷에 대해 일정한 확률의 정확도가 요구될 경우 더 작고 효율적인 표현이 가능하다는 점을 의미한다.