[논문 리뷰] Listing All Maximal Cliques in Large Sparse Real-World Graphs

David Eppstein, Darren Strash|arXiv (Cornell University)|2011. 03. 02.

Complex Network Analysis Techniques참고 문헌 34인용 수 25

한 줄 요약

이 논문은 Eppstein, Löffler, 및 Strash의 이론적 프레임워크에 기반하여, 대규모 희박한 실세계 그래프에서 모든 극대 클리크를 나열하기 위한 실용적이고 선형 공간 복잡도 알고리즘을 제시한다. 인접 행렬 저장을 피하기 때문에 희박한 그래프에서 널리 사용되는 Tomita 등 알고리즘보다 실질적으로 뛰어난 성능을 보이며, 탈성도 기반 매개변수화를 통해 근사 최적의 성능을 달성하면서도 밀도가 높은 그래프에서도 효율적이다.

ABSTRACT

We implement a new algorithm for listing all maximal cliques in sparse graphs due to Eppstein, Löffler, and Strash (ISAAC 2010) and analyze its performance on a large corpus of real-world graphs. Our analysis shows that this algorithm is the first to offer a practical solution to listing all maximal cliques in large sparse graphs. All other theoretically-fast algorithms for sparse graphs have been shown to be significantly slower than the algorithm of Tomita et al. (Theoretical Computer Science, 2006) in practice. However, the algorithm of Tomita et al. uses an adjacency matrix, which requires too much space for large sparse graphs. Our new algorithm opens the door for fast analysis of large sparse graphs whose adjacency matrix will not fit into working memory.

연구 동기 및 목표

• 대규모 희박한 실세계 그래프에서 모든 극대 클리크를 나열하기 위한 실용적이고 메모리 효율적인 알고리즘이 부족한 문제를 해결한다.
• 인접 행렬에 의존하여 대규모 그래프에서 실행이 불가능해지는 Tomita 등 알고리즘의 메모리 한계를 극복한다.
• 탈성도 기반 재귀와 동적 그래프 데이터 구조를 기반으로 한 새로운 알고리즘을 구현하고 평가하여 이론적 효율성과 실용적 속도를 모두 확보한다.
• 새로운 알고리즘이 실질적으로 Tomita 등과 경쟁 가능하며, 특히 희박한 그래프에서 선형 공간만을 사용함으로써 뛰어난 성능을 보임을 입증한다.
• Moon–Moser 및 DIMACS 벤치마크를 포함한 다양한 실세계 및 합성 그래프에서의 실험적 검증을 통해 희박한 입력에서의 성능 우월성을 확립한다.

제안 방법

• Eppstein–Löffler–Strash 알고리즘을 구현하여, 재귀적 클리크 나열 중에 인접성을 유지하기 위해 동적 그래프 데이터 구조를 사용한다.
• 탈성도를 희박성 척도로 활용하여, 클리크 수와 탈성도에 비례하는 근사 최적의 최악의 경우 시간 복잡도를 보장한다.
• Tomita 등과 유사한 피벗 전략을 사용하여 재귀적 분할의 분지 수를 최소화함으로써 실용적 성능을 향상시킨다.
• 인접 행렬 대신 정점 집합과 동적 인접 구조를 사용하여 부분 문제를 표현함으로써 공간 복잡도를 O(n + m)로 감소시킨다.
• 재귀 과정 중 이웃 조회 및 집합 연산을 위한 효율적인 데이터 구조를 최적화한다.
• 세 가지 변종과 비교한다: 원본 Tomita 등(행렬 기반), 인접 리스트를 사용한 수정된 Tomita 변종, 그리고 정적 정점 리스트를 사용한 새로운 알고리즘의 단순화된 버전.

실험 결과

연구 질문

• RQ1 극대 클리크 나열에 대해 탈성도 기반 매개변수화된 이론적으로 효율적인 알고리즘이 대규모 희박한 그래프에서 널리 사용되는 Tomita 등 알고리즘과 실질적으로 경쟁 가능한 성능을 달성할 수 있는가?
• RQ2 인접 행렬 저장을 피하고 동적 그래프 데이터 구조를 사용함으로써, 매트릭스 기반 방법으로는 처리가 불가능한 대규모 희박한 그래프로 확장 가능한가?
• RQ3 새로운 알고리즘의 성능이 다양한 실세계 및 합성 그래프 유형에서 Tomita 등과 그 인접 리스트 변종과 비교해 어떻게 되는가?
• RQ4 밀도가 높은 그래프에서 Tomita 등에 비해 성능이 얼마나 떨어지며, 여전히 작은 상수 요인 내에 머무는가?
• RQ5 지수적 수의 클리크를 가진 Moon–Moser 그래프와 같은 어려운 사례를 실질적으로 효율적으로 처리할 수 있는가?

주요 결과

• 이 논문의 새로운 알고리즘은 코퍼스에 포함된 가장 희박한 무작위 그래프에서 Tomita 등보다 최대 30배 빠르게 작동하여, 희박한 환경에서 뚜렷한 속도 우위를 보였다.
• 51개 정점, 12900만 개의 극대 클리크를 가진 Moon–Moser 그래프에서 새로운 알고리즘은 67.28초에 실행되었고, maxdegree 변종은 150.02초, Tomita 등은 198.06초였다.
• 200개 정점, 8,473개 간선을 가진 c-fat200-5 그래프에서 새로운 알고리즘은 Tomita 등보다 100배 빠르게 작동했으며(0.01초 대비 0.04초) 희박하고 구조적인 그래프에서의 효율성을 입증했다.
• 300개 정점, 21,928개 간선을 가진 p_hat300-2와 같은 더 밀도 높은 그래프에서는 새로운 알고리즘이 Tomita 등보다 약 1.5배 느렸지만 여전히 작은 상수 요인 내에 머물렀다.
• Tomita 등 알고리즘의 인접 리스트 변종은 때로는 약간 더 빠르게 작동했지만 다른 그래프에서는 상당히 느려져 신뢰할 수 없는 성능을 보였고, 반면 새로운 알고리즘은 일관된 성능을 유지했다.
• 새로운 알고리즘의 선형 공간 사용은 메모리에 담을 수 없는 크기의 인접 행렬을 가진 그래프에도 적용 가능하게 하여, 이전에는 매트릭스 기반 방법으로는 다루기 어려웠던 대규모 희박 네트워크 분석을 가능하게 했다.