[论文解读] Distributed $(Δ+1)$-Coloring in Sublogarithmic Rounds

David G. Harris, Johannes Schneider+1 more|arXiv (Cornell University)|Mar 4, 2016

Complexity and Algorithms in Graphs参考文献 48被引用 3

一句话总结

本论文提出了一种在 LOCAL 模型下针对 $(\Delta+1)$-coloring 的随机化分布式算法，该算法以高概率在 $O(\sqrt{\log\Delta}) + 2^{O(\sqrt{\log\log n})}$ 轮内完成，标志着首个针对此问题的亚对数轮复杂度算法。该方法通过一种新颖的图分解技术，将图划分为稠密与稀疏两部分，从而实现高效的对称性破缺，并建立了 $(\Delta+1)$-coloring 与最大独立集问题之间的复杂度分离。

ABSTRACT

We give a new randomized distributed algorithm for $(Δ+1)$-coloring in the LOCAL model, running in $O(\sqrt{\log Δ})+ 2^{O(\sqrt{\log \log n})}$ rounds in a graph of maximum degree~$Δ$. This implies that the $(Δ+1)$-coloring problem is easier than the maximal independent set problem and the maximal matching problem, due to their lower bounds of $Ω\left( \min \left( \sqrt{\frac{\log n}{\log \log n}}, \frac{\log Δ}{\log \log Δ} ight) ight)$ by Kuhn, Moscibroda, and Wattenhofer [PODC'04]. Our algorithm also extends to list-coloring where the palette of each node contains $Δ+1$ colors. We extend the set of distributed symmetry-breaking techniques by performing a decomposition of graphs into dense and sparse parts.

研究动机与目标

• 在 LOCAL 模型中开发一种更快的 $(\Delta+1)$-coloring 分布式算法，突破以往随机化方法的 $\Omega(\log n)$ 轮复杂度下限。
• 通过展示轮复杂度上的分离，证明 $(\Delta+1)$-coloring 严格优于最大独立集（MIS）问题。
• 将该算法扩展至具有局部稀疏性的图的列表着色，实现对具有 $(1-\delta)$-局部稀疏性的图的改进边界。
• 提出一种新的图分解技术，根据邻域密度将顶点划分为稠密与稀疏组件，从而支持针对各组件的定制化着色策略。

提出的方法

• 该算法基于邻域密度的参数化阈值，将图分解为稠密与稀疏部分，其中具有较多邻居的顶点被归类为稠密顶点。
• 对于稀疏顶点，该算法采用基于 $\epsilon$-朋友定义的随机着色过程，确保邻居选择之间的充分独立性。
• 稠密部分通过递归着色过程处理，通过消除外部度较高的顶点来减小问题规模，并利用集中不等式。
• 该算法应用网络分解技术，将图划分为若干子图，使得着色可在并行中高效执行。
• 它使用概率分析来限制每轮后每个顶点的外部与内部邻居数量，确保冲突邻居的数量保持亚线性。
• 最终着色通过组合稀疏与稠密组件的结果实现，残余冲突通过已知子程序解决。

实验结果

研究问题

• RQ1 在 LOCAL 模型中，是否可以设计一种随机化分布式算法，使 $(\Delta+1)$-coloring 实现亚对数轮复杂度？
• RQ2 $(\Delta+1)$-coloring 的轮复杂度是否严格低于最大独立集问题？
• RQ3 该算法能否扩展至具有局部稀疏性属性的图的列表着色？
• RQ4 在分布式着色算法中，$\Delta$ 与 $n$ 之间的最优权衡是什么？
• RQ5 将图分解为稠密与稀疏组件是否能为对称性破缺问题带来改进的复杂度界？

主要发现

• 该算法以高概率在 $O(\sqrt{\log\Delta}) + 2^{O(\sqrt{\log\log n})}$ 轮内完成，对所有图而言均为 $o(\log n)$。
• 该结果建立了 $(\Delta+1)$-coloring 与最大独立集问题之间的严格分离，因为后者存在 $\Omega(\min(\sqrt{\log n / \log\log n}, \log\Delta / \log\log\Delta))$ 轮复杂度下限。
• 对于 $(1-\delta)$-局部稀疏图，该算法以高概率在 $O(\log(1/\delta)) + 2^{O(\sqrt{\log\log n})}$ 轮内完成列表着色。
• 初始着色阶段后，每个顶点的外部邻居数量被限制在 $O\left(\log n\right) \cdot 2^{O(\sqrt{\log\Delta})}$ 以内，从而确保高效的冲突解决。
• 该方法引入了一种新的图分解策略，根据邻域密度分离顶点，从而支持针对各组件的定制化着色程序。
• 该算法在先前随机化边界（需 $O(\log n)$ 或 $O(\log\Delta + \sqrt{\log n})$ 轮）的基础上，实现了 $\Delta$ 与 $n$ 的亚对数复杂度，显著提升性能。