[論文レビュー] Why do simple algorithms for triangle enumeration work in the real world?

Jonathan W. Berry, Luke Fostvedt+4 more|arXiv (Cornell University)|Jul 4, 2014

Complex Network Analysis Techniques参考文献 32被引用数 4

ひとこと要約

この論文は、最小バケツ（MinBucket）アルゴリズム—中央頂点の次数が最小の頂点を選び、三角形列挙パスを決定する—が現実のグラフで劇的な高速化を達成する理由を説明している。理論的に、このアルゴリズムの期待実行時間は次数列の ℓ₄/₃-ノルムに支配され、指数 α ≥ 7/3 のべき乗則的次数分布では線形時間となり、α ∈ (2, 3) の範囲では非自明な高速化が得られることを示している。

ABSTRACT

Listing all triangles is a fundamental graph operation. Triangles can have important interpretations in real-world graphs, especially social and other interaction networks. Despite the lack of provably efficient (linear, or slightly super-linear) worst-case algorithms for this problem, practitioners run simple, efficient heuristics to find all triangles in graphs with millions of vertices. How are these heuristics exploiting the structure of these special graphs to provide major speedups in running time? We study one of the most prevalent algorithms used by practitioners. A trivial algorithm enumerates all paths of length $2$, and checks if each such path is incident to a triangle. A good heuristic is to enumerate only those paths of length $2$ where the middle vertex has the lowest degree. It is easily implemented and is empirically known to give remarkable speedups over the trivial algorithm. We study the behavior of this algorithm over graphs with heavy-tailed degree distributions, a defining feature of real-world graphs. The erased configuration model (ECM) efficiently generates a graph with asymptotically (almost) any desired degree sequence. We show that the expected running time of this algorithm over the distribution of graphs created by the ECM is controlled by the $\ell_{4/3}$-norm of the degree sequence. Norms of the degree sequence are a measure of the heaviness of the tail, and it is precisely this feature that allows non-trivial speedups of simple triangle enumeration algorithms. As a corollary of our main theorem, we prove expected linear-time performance for degree sequences following a power law with exponent $α\geq 7/3$, and non-trivial speedup whenever $α\in (2,3)$.

研究の動機と目的

• 最悪計算量の理論的限界が悪いにもかかわらず、現実のグラフで単純な三角形列挙ヒューリスティクス（例：MinBucket）がなぜ実験的に成功するのかを説明すること。
• 現実のネットワークで一般的なべき乗則的次数分布を示すグラフにおける MinBucket アルゴリズムの性能を分析すること。
• アルゴリズムの効率性が現実のグラフの構造的性質（特に次数列の ℓ₄/₃-ノルム）とどのように関連するかを理論的に確立すること。
• べき乗則的次数分布を有する erased configuration model (ECM) で生成されたグラフを用いた実験により、理論的モデルの妥当性を検証すること。

提案手法

• 著者たちは、指定された次数列を持つランダムグラフを生成する erased configuration model (ECM) を用いて現実のグラフをモデル化する。
• MinBucket アルゴリズムの各バケツで処理されるパスペアの期待数を分析し、特に次数が低い頂点からの寄与に注目する。
• 主な理論的道具は、次数列の ℓ₄/₃-ノルムを用いて期待作業量を上界で抑え、重い尾を持つ分布（ℓ₄/₃-ノルムが有限）では二次未満の性能が得られることを示すこと。
• 線形の期待値と集中不等式を用いて、同じバケツ内に存在するパスペアの期待数の漸近的表現を導出する。これはアルゴリズムの作業量に対応する。
• 単調収束定理と尾部バウンドを活用し、べき乗則的次数分布において期待作業量が n に比例する有限定数に収束することを証明する。
• べき乗則指数 α = 2.3 および α = 2.4 の ECM で生成されたグラフに対する実験により、理論的予測が妥当であることを確認。n が増加するにつれて作業量が線形スケーリングに近づくことが示された。

実験結果

リサーチクエスチョン

• RQ1 最悪計算量が悪いにもかかわらず、MinBucket アルゴリズムが現実のグラフでは自明なアルゴリズムよりも著しく高速に動作するのはなぜか？
• RQ2 現実のグラフの構造—特に重い尾を持つ次数分布—は MinBucket アルゴリズムの性能にどのように影響するか？
• RQ3 ランダムグラフにおける MinBucket アルゴリズムの期待実行時間に支配的な次数列の数学的性質は何か？
• RQ4 どのべき乗則的次数分布に対して MinBucket アルゴリズムが期待線形時間計算量を達成するか？
• RQ5 erased configuration model (ECM) を用いた理論的分析は、類似した次数分布を有する合成グラフにおける実験的性能とどの程度一致するか？

主な発見

• MinBucket アルゴリズムの期待実行時間は、次数列の ℓ₄/₃-ノルムに比例する定数倍で漸近的に上界が抑えられる。
• べき乗則的次数分布で指数 α ≥ 7/3 の場合、MinBucket アルゴリズムは期待線形時間計算量を達成する。
• べき乗則的次数分布で指数 α ∈ (2, 3) の場合、アルゴリズムは自明な O(∑dᵢ²) アルゴリズムよりも非自明な高速化を達成する。
• α = 2.4 の場合の期待作業量の理論的定数は約 0.687935 であり、最大 8000 万ノードの ECM グラフに対する実験結果は、この線形上界に収束している。
• 実験結果から、α = 2.4 の場合、作業量 / n の比は 1 よりも低い値に落ち着き、理論的予測の線形スケーリングが確認された。
• α = 2.3 の場合、作業量は非線形に増加し、ℓ₄/₃-ノルムの発散が超二次的性能をもたらすという理論と整合的である。