[논문 리뷰] Graph Sparsification via Refinement Sampling

Ashish Goel, Michael Kapralov외 1명|arXiv (Cornell University)|2010. 04. 27.

Graph Theory and Algorithms참고 문헌 9인용 수 10

한 줄 요약

이 논문은 그래프 스퍼피케이션을 위한 새로운 기법인 리파인먼트 샘플링을 소개한다. 이 기법은 효율적인 일회성 반복 스트리밍 알고리즘을 가능하게 하며, $O(nackslash\log^3 n/{\epsilon}^2)$개의 간선을 가진 ${\epsilon}$-스퍼서를 $\tilde{O}(m)$ 시간 내에, 노드당 $O(\log^2 n)$ 공간으로 구성한다. 이는 거대한 그래프에서 기존 방법에 비해 시간과 공간 효율성 측면에서 향상된 결과를 얻는다.

ABSTRACT

A graph G'(V,E') is an \eps-sparsification of G for some \eps>0, if every (weighted) cut in G' is within (1\pm \eps) of the corresponding cut in G. A celebrated result of Benczur and Karger shows that for every undirected graph G, an \eps-sparsification with O(n\log n/\e^2) edges can be constructed in O(m\log^2n) time. Applications to modern massive data sets often constrain algorithms to use computation models that restrict random access to the input. The semi-streaming model, in which the algorithm is constrained to use ilde O(n) space, has been shown to be a good abstraction for analyzing graph algorithms in applications to large data sets. Recently, a semi-streaming algorithm for graph sparsification was presented by Anh and Guha; the total running time of their implementation is Ω(mn), too large for applications where both space and time are important. In this paper, we introduce a new technique for graph sparsification, namely refinement sampling, that gives an ilde{O}(m) time semi-streaming algorithm for graph sparsification. Specifically, we show that refinement sampling can be used to design a one-pass streaming algorithm for sparsification that takes O(\log\log n) time per edge, uses O(\log^2 n) space per node, and outputs an \eps-sparsifier with O(n\log^3 n/\eps^2) edges. At a slightly increased space and time complexity, we can reduce the sparsifier size to O(n \log n/\e^2) edges matching the Benczur-Karger result, while improving upon the Benczur-Karger runtime for m=ω(n\log^3 n). Finally, we show that an \eps-sparsifier with O(n \log n/\eps^2) edges can be constructed in two passes over the data and O(m) time whenever m =Ω(n^{1+δ}) for some constant δ>0. As a by-product of our approach, we also obtain an O(m\log\log n+n \log n) time streaming algorithm to compute a sparse k-connectivity certificate of a graph.

연구 동기 및 목표

• 시간과 공간이 제한된 거대한 데이터 환경에서 기존 그래프 스퍼피케이션 알고리즘의 비효율성을 해결한다.
• 공간과 시간 복잡도를 최소화하면서도 컷 근사 품질을 유지하는 스트리밍 알고리즘을 개발한다.
• 일회성 반복 반스트리밍 알고리즘을 설계하여 근사 최적의 간선 수를 가진 고품질의 ${\epsilon}$-스퍼서를 구성한다.
• 진화하는 소셜 네트워크와 같은 온라인 환경에서 스퍼서의 동적 유지보수를 가능하게 한다.
• 특히 $m = \omega(n\log^3 n)$개 간선을 가진 그래프에서 이전 작업에 비해 런타임과 공간 복잡도를 향상시킨다.

제안 방법

• 연결 요소를 반복적으로 정밀화하기 위해 기하급수적으로 감소하는 간선 샘플링 비율을 사용하며, 분리 임계값을 기반으로 간선 강도를 추정한다.
• 카르거의 샘플링 정리를 활용하여 하위그래프의 컷 값이 원본 그래프 컷 값과 $1\pm\epsilon$ 요인 내에서 근사되도록 보장한다.
• 샘플된 분할에 대해 이진 탐색을 적용하여 간선 강도를 $O(\log(1/\delta))$ 시간 내에 추정하며, 정확도는 $n^\delta$ 요인으로 달성한다.
• 샘플링 확률을 $\min\left\{\frac{\rho n^\delta}{{\epsilon}^2 s''_e}, 1\right\}$ 비례로 설정하며, 여기서 $s''_e$는 추정된 강도이다.
• 이중 스캔 방식을 사용한다: 첫 번째 스캔에서는 간선을 샘플링하고 연결성 데이터 구조를 구축한다. 두 번째 스캔에서는 간선 강도를 추정하고 해당 비율에 따라 다시 샘플링한다.
• 최종로 샘플된 그래프에 대해 벤체즈르-카르거 알고리즘을 적용하여 스퍼서 크기를 $O(n\log n/{\epsilon}^2)$개 간선으로 감소시킨다.

실험 결과

연구 질문

• RQ1 일회성 반스트리밍 알고리즘이 근사 선형 시간 복잡도를 가지며 $O(n\log n/{\epsilon}^2)$개 간선을 가진 ${\epsilon}$-스퍼서를 달성할 수 있는가?
• RQ2 전체 그래프에 대한 무작위 액세스 없이 스트리밍 모델에서 간선 강도를 효율적으로 추정할 수 있는가?
• RQ3 동적 또는 누적 그래프 처리에서 공간, 시간, 스퍼서 품질 간의 상호 교환 관계는 어떠한가?
• RQ4 리파인먼트 샘플링이 시간과 공간 효율성 측면에서 기존 반스트리밍 알고리즘을 초월할 수 있는가?
• RQ5 이중 스캔 알고리즘이 어떤 조건에서 그래프 스퍼피케이션에 대해 선형 시간 성능을 달성할 수 있는가?

주요 결과

• 일회성 반스트리밍 알고리즘은 $O(n\log^3 n/{\epsilon}^2)$개 간선을 가진 ${\epsilon}$-스퍼서를 $\tilde{O}(m)$ 시간 내에, 노드당 $O(\log^2 n)$ 공간으로 구성한다.
• 간선당 평균 시간 복잡도는 $O(\log\log n)$로 기존 방법의 $\Omega(n)$ 시간에 비해 크게 향상된다.
• $m = \Omega(n^{1+\delta})$일 경우, 이중 스캔 알고리즘은 $O(m\log(1/\delta)) + \tilde{O}(n^{1+\delta})$ 시간 내에 수행되며, $\delta$가 상수일 경우 선형 시간 성능을 달성한다.
• 리파인먼트 샘플링의 출력에 대해 벤체즈르-카르거 샘플링을 적용함으로써 최종 스퍼서 크기가 $O(n\log n/{\epsilon}^2)$개 간선으로 감소된다.
• 농도 경계와 카르거의 샘플링 정리를 통해 고확률로 $1\pm\epsilon$ 컷 근사가 유지됨을 입증하였다.
• $O(m\log\log n + n\log n)$ 시간 내에 스트리밍 알고리즘을 통해 희소한 $k$-연결성 증명서를 계산할 수 있으며, 이는 부산물로 얻어진다.