[논문 리뷰] On the Complexity of Algorithms with Predictions for Dynamic Graph Problems

Monika Henzinger, Barna Saha외 2명|arXiv (Cornell University)|2023. 07. 31.

Optimization and Search Problems인용 수 3

한 줄 요약

이 논문은 동적 그래프 알고리즘을 위한 예측 모델을 도입하고 분석하며, 세 가지 예측 유형—ε-정확도, 리스트-정확도, 및 유예 지연—을 제안하고 OMv 추측을 기반으로 조건부 하한을 설정한다. 지역적으로 수정 가능한 문제들은 리스트-정확도 예측 하에서도 예측이 완벽하지 않은 한 강력한 하한을 유지하는 반면, 지역적으로 감소 가능한 문제들은 유예 지연 예측 하에서 온라인에서 오프라인 설정으로의 런타임 전이가 매끄럽게 이루어지며, 하위그래프 연결성 및 전이 폐쇄와 같은 동적 그래프 문제들에 대해 날카로운 상한이 입증된다.

ABSTRACT

Algorithms with predictions is a new research direction that leverages machine learned predictions for algorithm design. So far a plethora of recent works have incorporated predictions to improve on worst-case bounds for online problems. In this paper, we initiate the study of complexity of dynamic data structures with predictions, including dynamic graph algorithms. Unlike online algorithms, the goal in dynamic data structures is to maintain the solution efficiently with every update. We investigate three natural models of prediction: (1) δ-accurate predictions where each predicted request matches the true request with probability δ, (2) list-accurate predictions where a true request comes from a list of possible requests, and (3) bounded delay predictions where the true requests are a permutation of the predicted requests. We give general reductions among the prediction models, showing that bounded delay is the strongest prediction model, followed by list-accurate, and δ-accurate. Further, we identify two broad problem classes based on lower bounds due to the Online Matrix Vector (OMv) conjecture. Specifically, we show that locally correctable dynamic problems have strong conditional lower bounds for list-accurate predictions that are equivalent to the non-prediction setting, unless list-accurate predictions are perfect. Moreover, we show that locally reducible dynamic problems have time complexity that degrades gracefully with the quality of bounded delay predictions. We categorize problems with known OMv lower bounds accordingly and give several upper bounds in the delay model that show that our lower bounds are almost tight. We note that concurrent work by v.d.Brand et al. [SODA '24] and Liu and Srinivas [arXiv:2307.08890] independently study dynamic graph algorithms with predictions, but their work is mostly focused on showing upper bounds.

연구 동기 및 목표

• 동적 그래프 알고리즘을 위한 세 가지 별개의 예측 모델—ε-정확도, 리스트-정확도, 및 유예 지연—을 정식화하고 분석하는 것.
• 온라인 행렬-벡터(OMv) 추측을 사용하여 이 예측 모델 하에서 동적 문제에 대한 조건부 하한을 설정하는 것.
• 예측 품질과 관련하여 국소적 정확성 및 감소 가능성 성질에 따라 동적 그래프 문제를 특성화하는 것.
• 유예 지연 예측 하에서 핵심 동적 그래프 문제에 대해 날카로운 상한을 제공하여 하한의 거의 최적성을 보여주는 것.
• 지연된 예측 하에서 지역적으로 감소 가능한 문제들에 대해 온라인에서 오프라인 설정으로의 런타임 전이가 매끄럽게 이루어지는 것을 보여, 온라인과 오프라인 설정 사이의 격차를 메우는 것.

제안 방법

• 세 가지 예측 모델 도입: ε-정확도(각 예측이 정확할 확률 ≥ε), 리스트-정확도(진짜 요청이 후보 목록에 포함됨), 및 유예 지연(진짜 요청이 예측의 순열임).
• 모델 간 감소: 유예 지연 예측은 리스트-정확도를 포함하고, 리스트-정확도는 ε-정확도를 포함하므로 하한 전이가 가능해짐.
• OMv 추측을 적용하여 동적 문제를 국소적으로 수정 가능한 클래스와 국소적으로 감소 가능한 클래스로 분류하고, 조건부 하한을 유도함.
• 지연 d에 대해 유예 지연 예측 하에서 #s-△ 문제를 위한 데이터 구조를 제안하며, 업데이트 시간은 O(1), 쿼리 시간은 ˜O(d²)를 유지함.
• 이중 힙과 보조 배열(예: D(−)R,d, D(+)R,d, BR,d, B(>)R,d)를 사용하여 행과 열의 업데이트를 추적하고 지연된 예측 하에서도 정확성을 유지함.
• 실시간 행/열 카운터를 사용하여 예측된 행렬 값과 오류 보정을 조합하는 동적 쿼리 알고리즘을 적용하여 최대 값을 정확히 계산함.

실험 결과

연구 질문

• RQ1 ε-정확도, 리스트-정확도, 및 유예 지연 예측 모델은 동적 그래프 알고리즘의 복잡도에 어떤 영향을 미치는가?
• RQ2 OMv 추측에서 유도된 조건부 하한은 예측이 있는 동적 문제로 얼마나 잘 확장되는가?
• RQ3 국소적 정확성/감소 가능성과 예측이 완벽하지 않을 경우의 알고리즘의 강건성 간의 관계는 무엇인가?
• RQ4 유예 지연 예측 하에서 동적 그래프 문제에 대해 날카로운 상한을 달성할 수 있으며, 이는 최악의 경우 하한과 어떻게 비교되는가?
• RQ5 예측이 지연될 경우, 온라인에서 오프라인 설정으로의 알고리즘 성능 전이가 매끄럽게 이루어지는가?

주요 결과

• 국소적으로 수정 가능한 동적 문제들에 대해서는, 리스트-정확도 예측이 예측이 완벽하지 않은 한 비예측 설정과 동일한 조건부 하한을 유지한다.
• 국소적으로 감소 가능한 문제들에 대해서는, 유예 지연 예측이 온라인에서 오프라인 설정으로의 런타임 전이를 매끄럽게 만들어주며, 지연 d에 대해 쿼리 시간이 ˜O(d²)로 스케일링된다.
• 유예 지연 예측 하에서 #s-△ 문제는 ˜O(1) 업데이트 시간과 ˜O(d²) 쿼리 시간을 달성하며, 로그 인자 수준에서 조건부 하한과 일치한다.
• 에릭슨의 최대값 문제에 대한 알고리즘은 유예 지연 예측 하에서도 ˜O(1) 업데이트 시간과 ˜O(d²) 쿼리 시간을 유지하며, 거의 최적성을 보여준다.
• 하위그래프 연결성에 대한 데이터 구조는 유예 지연 예측 하에서 ˜O(1) 업데이트와 ˜O(d²) 쿼리를 지원하며, 행과 열 카운터의 동적 추적을 통해 정확성이 유지된다.
• 예측 모델 간 감소는 유예 지연 모델이 가장 강력한 모델임을 보여주며, 리스트-정확도 및 ε-정확도 예측에 대한 하한 전이가 가능하다.