[論文レビュー] On the Complexity of Hub Labeling

Maxim A. Babenko, Andrew V. Goldberg+3 more|arXiv (Cornell University)|Jan 11, 2015

Complexity and Algorithms in Graphs参考文献 15被引用数 12

ひとこと要約

本稿は、ハブラベル化(HL)および階層的ハブラベル化(HHL)の両方がNP完全であることを確立し、両者の最適解が計算的に困難であることを証明する。また、グリーディHHLアルゴリズムに対する理論的保証を提供し、新しいd-HHLの変種では$ O(\text{polylog } n) $の近似比を示し、低ハイウェイ次元グラフでは$ \theta(\text{poly}(\text{highway dimension})) $のラベルサイズを達成する。さらに、既存のグリーディアルゴリズムの近似比に対する$ \theta(\text{poly}(\text{sqrt}(n))) $の下界を証明し、実用的HHL性能における重要な理論的ギャップを埋める。

ABSTRACT

Hub Labeling (HL) is a data structure for distance oracles. Hierarchical HL (HHL) is a special type of HL, that received a lot of attention from a practical point of view. However, theoretical questions such as NP-hardness and approximation guarantee for HHL algorithms have been left aside. In this paper we study HL and HHL from the complexity theory point of view. We prove that both HL and HHL are NP-hard, and present upper and lower bounds for the approximation ratios of greedy HHL algorithms used in practice. We also introduce a new variant of the greedy HHL algorithm and a proof that it produces small labels for graphs with small highway dimension.

研究の動機と目的

• ハブラベル化(HL)および階層的ハブラベル化(HHL)の計算複雑性を確立し、両者がNP完全であることを証明する。
• 広く使われているグリーディHHLアルゴリズム（g-HHLおよびw-HHL）に対する理論的近似保証を提供し、これまではその分析が不足していたことを補う。
• 最適HLと最適HHLのラベルサイズのギャップを分析し、一部のグラフではHHLがHLよりも著しく大きいことを示す。
• 低ハイウェイ次元のグラフにおいて特に優れたラベルサイズと近似比を保証する新しいグリーディHHL変種（d-HHL）を設計する。
• 実用的HHLアルゴリズムがしばしば良好に動作する理由を、形式的な近似保証が欠如していたにもかかわらず、理論的ギャップを埋める。

提案手法

• 頂点被覆問題を有向グラフへの変換に還元することで、最適HL問題のNP完全性を示す。これは一対一還元による。
• 未被覆ペアの数とラベルサイズに基づく動的重要度スコアを用いて、ハブの優先順位を決定する新しいグリーディHHLアルゴリズム（d-HHL）を導入する。
• 頂点被覆問題からの還元を用いて、最適HHL問題のNP完全性を証明し、グリーディアルゴリズムの近似比の下界を確立する。
• ハイウェイ次元$ h $で直径$ D $のグラフにおいて、ラベルサイズと近似比を分析し、d-HHLが各頂点あたり$ O(h \times \text{log } D) $のラベルサイズを達成することを証明する。
• 中心頂点とクリークで接続された中心を持つスターマップに基づくラベリング構成を用い、最適HLと最適HHLの間で$ \theta(\text{sqrt}(n)) $のギャップを示す。
• 既知のハイウェイ次元と集合被覆近似に関する結果を応用し、$ \text{poly}(\text{log } n) $および$ \text{poly}(\text{sqrt}(n)) $要因に基づいて、グリーディHHLアルゴリズムの性能を限定する。

実験結果

リサーチクエスチョン

• RQ1 最適ハブラベル化(HL)解を求める問題はNP完全か？
• RQ2 最適階層的ハブラベル化(HHL)解を求める問題はNP完全か？
• RQ3 グリーディHHLアルゴリズム（g-HHL）の最適HL解に対する近似比はいかほどか？
• RQ4 新しいグリーディHHLアルゴリズムの変種（d-HHL）は、既存のアルゴリズムよりも理論的近似保証を向上させられるか？
• RQ5 最悪ケースにおいて、最適HHLサイズと最適HLサイズとのギャップはどれほど大きくなるか？

主な発見

• 最適ハブラベル化(HL)および最適階層的ハブラベル化(HHL)問題は、ともに頂点被覆問題への一対一還元によりNP完全であることが証明された。
• ハイウェイ次元$ h $で直径$ D $のグラフにおいて、各頂点あたり$ O(h \times \text{log } D) $のラベルサイズを持つHHLが存在し、既知のHL境界と一致する。
• 提案されたd-HHLアルゴリズムは、各頂点あたり$ O(h \times \text{log } n \times \text{log } D) $のラベルサイズと、最適HLに対する$ O(\text{sqrt}(n) \times \text{log } n \times \text{log } D) $の近似比を達成する。
• 本稿では、g-HHLに対して$ \theta(\text{sqrt}(n)) $の近似比下界、w-HHLに対しては$ \theta(\text{sqrt}[3]{n}) $の下界を証明し、両アルゴリズムが多対数近似を達成しないことを示した。
• 最適HHLが最適HLの$ \theta(\text{sqrt}(n)) $倍に達するグラフ族を構成し、階層的ラベル化が一般ラベル化よりも著しく空間的に非効率になる可能性を示した。
• 結果として、グリーディHHLアルゴリズムは多対数近似比を達成しないことが示され、HHLに対して多対数近似比を達成するアルゴリズムが存在するか否かは未解決のまま残っている。