[论文解读] Distributed Exact Weighted All-Pairs Shortest Paths in $ ilde O(n^{5/4})$ Rounds

Chien‐Chung Huang, Danupon Nanongkai+1 more|arXiv (Cornell University)|Aug 13, 2017

Optimization and Packing Problems参考文献 1被引用 4

一句话总结

该论文提出了一种随机化的拉斯维加斯算法，在 CONGEST 模型中以 $\tilde{O}(n^{5/4})$ 轮计算精确的加权全源最短路径，这是对稠密图中朴素的 $O(m)$ 边界首次改进。该方法利用了缩放技术的新颖应用，结合短程扩展和反向 $r$-汇最短路径算法，通过权重舍入和分层消息聚合实现高效的距离计算。

ABSTRACT

We study computing {\em all-pairs shortest paths} (APSP) on distributed networks (the CONGEST model). The goal is for every node in the (weighted) network to know the distance from every other node using communication. The problem admits $(1+o(1))$-approximation $ ilde O(n)$-time algorithms ~\cite{LenzenP-podc15,Nanongkai-STOC14}, which are matched with $ ilde Ω(n)$-time lower bounds~\cite{Nanongkai-STOC14,LenzenP_stoc13,FrischknechtHW12}\footnote{$ ilde Θ$, $ ilde O$ and $ ilde Ω$ hide polylogarithmic factors. Note that the lower bounds also hold even in the unweighted case and in the weighted case with polynomial approximation ratios.}. No $ω(n)$ lower bound or $o(m)$ upper bound were known for exact computation. In this paper, we present an $ ilde O(n^{5/4})$-time randomized (Las Vegas) algorithm for exact weighted APSP; this provides the first improvement over the naive $O(m)$-time algorithm when the network is not so sparse. Our result also holds for the case where edge weights are {\em asymmetric} (a.k.a. the directed case where communication is bidirectional). Our techniques also yield an $ ilde O(n^{3/4}k^{1/2}+n)$-time algorithm for the {\em $k$-source shortest paths} problem where we want every node to know distances from $k$ sources; this improves Elkin's recent bound~\cite{Elkin-STOC17} when $k= ilde ω(n^{1/4})$.

研究动机与目标

• 为 CONGEST 模型中精确全源最短路径（APSP）的 $O(m)$ 上限与 $\tilde{\theta}(n)$ 下限之间的差距提供填补。
• 设计一种分布式算法，实现比朴素的 $O(m)$-轮方法更快的精确 APSP 计算，尤其适用于中等稠密网络。
• 将缩放技术的应用扩展至分布式最短路径计算，该方法此前在该背景下尚未被探索。
• 为 $k$-源最短路径问题提供改进的界，特别是当 $k = \tilde{\theta}(n^{1/4 + \rho})$ 时，$\rho > 0$。
• 引入新的分布式原 primitive，如短程扩展和反向 $r$-汇最短路径，用于支持精确最短路径计算。

提出的方法

• 该算法使用缩放框架，通过将边权逐步舍入为递增的 $\Delta$ 的倍数，迭代地细化距离估计，从而在各阶段实现高效计算。
• 短程算法在 $\tilde{O}(\text{polylog}(n) \times \text{min}(n, \text{poly}(h)))$ 时间内计算从 $q$ 个源点出发在 $h$ 步范围内的精确距离，使用改进的贝尔曼-福特和广度优先搜索。
• 短程扩展技术通过权重舍入引入少量加法误差，将距离知识传播至超过 $h$ 步的范围，随后通过反向最短路径计算进行误差校正。
• 反向 $r$-汇最短路径算法使 $r$ 个汇点能够学习到所有节点的距离，通过瓶颈节点分析限制消息负载，实现 $\tilde{O}(n\text{sqrt}(r))$ 时间复杂度。
• $k$-源最短路径算法结合短程与反向 $r$-汇最短路径技术，实现 $\tilde{O}(n + n^{3/4}k^{1/2})$ 时间复杂度，在 $k = \tilde{\theta}(n^{1/4 + \rho})$ 时优于先前的界。
• 该框架采用中心的分层采样与迭代细化，每轮减少有效权重范围，并利用消息聚合保持效率。

实验结果

研究问题

• RQ1 在 CONGEST 模型中，能否在亚线性轮数内计算精确加权全源最短路径，超越朴素的 $O(m)$ 边界？
• RQ2 是否可以将经典缩放技术应用于分布式最短路径计算？若可以，如何使其高效？
• RQ3 当 $k$ 为超常数时，$k$-源最短路径问题的最优时间复杂度是多少？能否进一步改进？
• RQ4 能否设计新的分布式原 primitive（如反向 $r$-汇和短程扩展），以支持子线性时间的精确最短路径计算？
• RQ5 是否存在 $\tilde{O}(n^{5/4})$-时间的 APSP 算法，是否预示着在分布式系统中实现精确图问题的近线性时间算法的可能？

主要发现

• 该论文首次提出在 CONGEST 模型中精确加权全源最短路径的 $\tilde{O}(n^{5/4})$-轮算法，优于稠密图中的朴素 $O(m)$ 边界。
• 该算法为随机化的拉斯维加斯算法，适用于无向图和有向图（权重不对称），且以高概率保证正确性。
• 对于 $k$-源最短路径问题，该算法实现 $\tilde{O}(n + n^{3/4}k^{1/2})$ 时间复杂度，当 $k = \tilde{\theta}(n^{1/4 + \rho})$ 时，优于埃尔金（Elkin）的先前界。
• 反向 $r$-汇最短路径算法以 $\tilde{O}(n\text{sqrt}(r))$ 时间运行，可高效计算 $r$ 个汇点到所有其他节点的距离。
• 短程扩展技术可在 $\tilde{O}(n\text{sqrt}(h))$ 时间内通过权重舍入与误差校正将距离知识扩展 $h$ 步，是缩放框架的关键使能技术。
• 结果表明，缩放技术可被有效适配至分布式环境，为精确最短路径计算开辟了新途径。