[論文レビュー] k-way Hypergraph Partitioning via n-Level Recursive Bisection

Sebastian Schlag, Vitali Henne+4 more|arXiv (Cornell University)|Nov 10, 2015

VLSI and FPGA Design Techniques参考文献 41被引用数 6

ひとこと要約

本論文では、1つの頂点を1回に1つずつ収縮することでn段階の再帰的二分割を実行する、優れた解の品質と性能を達成する新しいk分割ハイパーグラフ分割アルゴリズムKaHyParを提示する。高度なキャッシュ、遅延評価、パフォーマンスの高い初期分割器のパフォーマンスアーカイブ、最適化されたハイパーグラフデータ構造を活用することで、KaHyParはhMetisおよびPaToHを上回り、特にソーシャルネットワークや10%の不均衡許容範囲下で優れた性能を発揮する。

ABSTRACT

We develop a multilevel algorithm for hypergraph partitioning that contracts the vertices one at a time. Using several caching and lazy-evaluation techniques during coarsening and refinement, we reduce the running time by up to two-orders of magnitude compared to a naive $n$-level algorithm that would be adequate for ordinary graph partitioning. The overall performance is even better than the widely used hMetis hypergraph partitioner that uses a classical multilevel algorithm with few levels. Aided by a portfolio-based approach to initial partitioning and adaptive budgeting of imbalance within recursive bipartitioning, we achieve very high quality. We assembled a large benchmark set with 310 hypergraphs stemming from application areas such VLSI, SAT solving, social networks, and scientific computing. We achieve significantly smaller cuts than hMetis and PaToH, while being faster than hMetis. Considerably larger improvements are observed for some instance classes like social networks, for bipartitioning, and for partitions with an allowed imbalance of 10%. The algorithm presented in this work forms the basis of our hypergraph partitioning framework KaHyPar (Karlsruhe Hypergraph Partitioning).

研究の動機と目的

• 多段階ハイパーグラフ分割における解の品質と実行時間のトレードオフを、極端なn段階の粗縮小戦略を用いて解明すること。
• 最適化されたデータ構造とキャッシュ技術を用いて、単純なn段階アルゴリズムの性能ボトルネックを克服すること。
• 現実的な不均衡制約下で、特にソーシャルネットワークやスパース行列のような多様なハイパーグラフタイプの分割品質を向上させること。
• hMetisやPaToHといった広く使われているツールを上回る、スケーラブルで効率的なフレームワークの開発。
• 適応的不均衡制約と知的な局所探索を組み合わせた再帰的二分割により、高品質なk分割を実現すること。

提案手法

• 1つの頂点を1回に1つずつ収縮することでn段階の再帰的二分割を実行し、局所探索の機会を高めるほぼn段階の階層を形成する。
• 頂点の収縮を誘導するレーティング関数を実装し、カットの増加を最小限に抑えつつバランスを維持するペアを優先順位付けする。
• 局所探索中に利得値の遅延評価とキャッシュを適用し、重複計算を削減し、効率を向上させる。
• 高速でランダムな初期分割器（例：BFS、ラベル伝播、貪欲成長）のパフォーマンスアーカイブを用いて、高品質な初期解を生成する。
• 頂点の収縮と元に戻す操作を最小限のオーバーヘッドで効率的に行えるように、特別に設計されたハイパーグラフデータ構造を設計する。
• 再帰的二分割の過程で不均衡の予算を適応的に配分することで、最終的なk分割がユーザー指定の不均衡制約を満たすようにする。

実験結果

リサーチクエスチョン

• RQ1 n段階の再帰的二分割アプローチは、従来の多段階ハイパーグラフ分割と比較して、解の品質と実行時間の両面で優れているか？
• RQ2 n段階フレームワーク内での細かく制御された局所探索と組み合わせたパフォーマンスアーカイブベースの初期分割戦略は、どの程度効果的か？
• RQ3 利得値のキャッシュと遅延評価は、高精度な分割において局所探索の計算コストをどの程度削減できるか？
• RQ4 さまざまなハイパーグラフタイプ、特にソーシャルネットワークとスパース行列において、変動する不均衡制約下でアルゴリズムの性能はいかがなものか？
• RQ5 10%の不均衡許容範囲下で、hMetisとPaToHを上回るカット品質を達成しながら、hMetisより速くなるか？

主な発見

• KaHyParは、すべてのベンチマーククラスでhMetisおよびPaToHよりも顕著に小さいカットサイズを達成しており、特にソーシャルネットワークのインスタンスでは最大30%の改善を示した。
• スパース行列のインスタンスでは、KaHyParはhMetis-RおよびPaToHの変種よりも優れた分割を生成したが、実行時間は同等であった。
• 10%の不均衡を許容した場合、700のインスタンスのうち431個でKaHyParが最良の解を生成し、強力なスケーラビリティと耐障害性を示した。
• KaHyParはすべてのベンチマークでhMetisよりも高速であり、単純なn段階実装と比較して、実行時間は最大2桁の短縮が達成された。
• ε=0.01の条件下で、KaHyParは7000個の分割のうちわずか58個（最大2.5%の不均衡）しか不均衡とならなかったのに対し、hMetis-Rは163個であった。
• 統計的仮説検定により、KaHyParの解の品質はスパース行列においてhMetis-R、hMetis-K、PaToH-Q、PaToH-Dよりも顕著に優れていることが確認された（p < 2.2×10⁻¹⁶）。