[论文解读] Massively Parallel Ruling Set Made Deterministic

Jeff Giliberti, Zahra Parsaeian|arXiv (Cornell University)|Jan 1, 2024

Scheduling and Optimization Algorithms被引用 2

一句话总结

本文提出了首个在强次线性 MPC 模型下计算 2-统治集的确定性、亚对数轮复杂度算法，实现 Õ(√log n) 轮。此外，通过使用有界独立性对近期随机化算法进行去随机化，该文在线性 MPC 范畴内给出了一个常数轮确定性算法，其轮复杂度与目前已知最佳随机化复杂度一致，且全局空间使用达到最优。

ABSTRACT

We study the deterministic complexity of the $2$-Ruling Set problem in the model of Massively Parallel Computation (MPC) with linear and strongly sublinear local memory. Linear MPC: We present a constant-round deterministic algorithm for the $2$-Ruling Set problem that matches the randomized round complexity recently settled by Cambus, Kuhn, Pai, and Uitto [DISC'23], and improves upon the deterministic $O(\log \log n)$-round algorithm by Pai and Pemmaraju [PODC'22]. Our main ingredient is a simpler analysis of CKPU's algorithm based solely on bounded independence, which makes its efficient derandomization possible. Sublinear MPC: We present a deterministic algorithm that computes a $2$-Ruling Set in $ ilde O(\sqrt{\log n})$ rounds deterministically. Notably, this is the first deterministic ruling set algorithm with sublogarithmic round complexity, improving on the $O(\log Δ+ \log \log^* n)$-round complexity that stems from the deterministic MIS algorithm of Czumaj, Davies, and Parter [TALG'21]. Our result is based on a simple and fast randomness-efficient construction that achieves the same sparsification as that of the randomized $ ilde O(\sqrt{\log n})$-round LOCAL algorithm by Kothapalli and Pemmaraju [FSTTCS'12].

研究动机与目标

• 弥合 MPC 模型中 2-统治集算法在随机化与确定性算法之间的差距。
• 在强次线性内存范围内，实现确定性 2-统治集计算的亚对数轮复杂度。
• 在内存线性范围内提供一个确定性常数轮算法，其轮复杂度与目前已知最佳随机化轮复杂度一致。
• 通过分析 CKPU 算法在有界独立性下的行为，实现高效的去随机化。
• 构建一种随机性高效且性能与 Kothapalli 和 Pemmaraju 的随机化 LOCAL 算法相当的稀疏化技术。

提出的方法

• 使用有界独立性对 Cambus 等人（CKPU）提出的 O(1)-轮随机化 2-统治集算法进行去随机化，从而在线性 MPC 中实现确定性常数轮解法。
• 设计一个多阶段稀疏化过程，通过迭代采样高阶度顶点并移除其邻居，逐步降低图的最大度数。
• 以确定性、随机性高效的方式应用 Kothapalli 和 Pemmaraju（FSTTCS’12）稀疏化框架的变体，实现亚对数轮复杂度。
• 应用修改后的引理 4.1 来采样子集 V′，使得大多数高阶度顶点在其邻居中拥有常数比例的顶点属于 V′，从而确保有效的稀疏化。
• 在 2-跳邻域上应用 Linial 的染色技术，在 ∆ 较小时于 O(1) 轮内计算出 poly(∆) 染色，从而支持高效的局部计算。
• 通过将空间消耗分配给高阶度顶点，并使用较弱的采样引理（引理 4.6）来处理剩余图，从而优化全局空间使用。

实验结果

研究问题

• RQ1 能否在内存线性 MPC 模型中设计出一个确定性 2-统治集算法，实现常数轮复杂度，与目前已知最佳随机化算法相匹配？
• RQ2 是否可能在强次线性 MPC 范畴内设计出一个具有亚对数轮复杂度的确定性 2-统治集算法？
• RQ3 如何利用有界独立性对随机化 MPC 算法进行去随机化，同时不增加轮复杂度？
• RQ4 何种稀疏化技术能够在保持确定性保证和空间效率的同时实现亚对数轮复杂度？
• RQ5 在次线性 MPC 模型中计算 2-统治集时，如何将全局空间使用控制在 O(n + m) 以内？

主要发现

• 本文提出了一种在内存线性 MPC 模型中计算 2-统治集的确定性 O(1)-轮算法，其轮复杂度与目前已知最佳随机化轮复杂度一致。
• 实现了最优的全局空间使用 O(n + m)，与 Cambus 等人（CKPU）的随机化算法的空间复杂度完全匹配。
• 在次线性 MPC 范畴内，本文实现了 Õ(√log n) 轮的确定性 2-统治集计算，这是首个此类亚对数轮确定性结果。
• 该算法采用一种基于有界独立性和迭代采样的新颖稀疏化技术，在 O(√log ∆) 次迭代后，将剩余图的最大度数降低至 2^O(√log ∆)。
• 该方法确保稀疏化后，剩余图的度数足够低，从而可在 O(√log ∆ + log log* n) 轮内高效计算确定性最大独立集。
• 通过将空间消耗分配给高阶度顶点，并使用弱采样引理（引理 4.6）高效处理残余图，从而将全局空间使用维持在 O(n + m) 以内。