[论文解读] Dynamic Streaming Spectral Sparsification in Nearly Linear Time and Space

Michael Kapralov, Navid Nouri+2 more|arXiv (Cornell University)|Mar 28, 2019

Caching and Content Delivery参考文献 57被引用 9

一句话总结

该论文提出了首个动态流式谱稀疏化算法，实现近乎线性的时间与空间复杂度：使用 Õ(n) 空间，每个边更新在 Õ(1) 时间内处理，且以高概率在 Õ(n) 时间内恢复谱稀疏化器。其关键创新在于一种基于有效电阻度量和电流流草图的新颖顶点分桶技术，实现了无需暴力搜索的高效高电阻边恢复。

ABSTRACT

In this paper we consider the problem of computing spectral approximations to graphs in the single pass dynamic streaming model. We provide a linear sketching based solution that given a stream of edge insertions and deletions to a $n$-node undirected graph, uses $ ilde O(n)$ space, processes each update in $ ilde O(1)$ time, and with high probability recovers a spectral sparsifier in $ ilde O(n)$ time. Prior to our work, state of the art results either used near optimal $ ilde O(n)$ space complexity, but brute-force $Ω(n^2)$ recovery time [Kapralov et al.'14], or with subquadratic runtime, but polynomially suboptimal space complexity [Ahn et al.'14, Kapralov et al.'19]. Our main technical contribution is a novel method for `bucketing' vertices of the input graph into clusters that allows fast recovery of edges of sufficiently large effective resistance. Our algorithm first buckets vertices of the graph by performing ball-carving using (an approximation to) its effective resistance metric, and then recovers the high effective resistance edges from a sketched version of an electrical flow between vertices in a bucket, taking nearly linear time in the number of vertices overall. This process is performed at different geometric scales to recover a sample of edges with probabilities proportional to effective resistances and obtain an actual sparsifier of the input graph. This work provides both the first efficient $\ell_2$-sparse recovery algorithm for graphs and new primitives for manipulating the effective resistance embedding of a graph, both of which we hope have further applications.

研究动机与目标

• 设计一种动态流式谱稀疏化算法，实现最优空间复杂度与近线性恢复时间。
• 克服现有流式算法中空间复杂度（Õ(n)）与恢复时间（Ω(n²)）之间的先前权衡。
• 开发一种新方法，以高效识别并恢复流式环境中具有高有效电阻的边。
• 实现快速 ℓ₂-稀疏恢复，并高效操作图中有效电阻嵌入。

提出的方法

• 算法使用线性草图，并基于有效电阻度量的近似值，采用分层分桶方案。
• 通过有效电阻度量中的球形切割将顶点聚类分组，实现高电阻边的局部恢复。
• 对每个分桶，算法在同簇内的顶点对之间草图电流流，以识别并采样具有高有效电阻的边。
• 采用带有精心调校阈值的 HeavyHitter 草图，仅恢复最关键边，从而减少候选边数量。
• 恢复过程按几何尺度分层组织，确保边的采样概率与其有效电阻成比例。
• 算法使用快速伪随机生成器和低畸变嵌入（例如 Johnson-Lindenstrauss）以保持空间效率，并支持快速拉普拉斯系统求解。

实验结果

研究问题

• RQ1 能否在动态流式环境中实现谱稀疏化，同时达到 Õ(n) 空间复杂度与 Õ(n) 恢复时间？
• RQ2 是否存在一种方法，可高效恢复高有效电阻边，而无需对所有潜在边进行暴力迭代？
• RQ3 基于有效电阻的顶点聚类是否能实现在流式环境中的局部化、快速关键边恢复？
• RQ4 实现动态流中近乎线性时间谱稀疏化，需要哪些草图与恢复原语？
• RQ5 能否使用线性草图高效操作有效电阻嵌入，以实现图的稀疏化？

主要发现

• 该算法在动态流式模型中实现了 Õ(n) 空间复杂度与 Õ(n) 恢复时间的谱稀疏化。
• 每个边更新在 Õ(1) 时间内处理，支持高效的单遍处理。
• 通过新颖的分桶与电流流草图技术，该算法以高概率恢复谱稀疏化器。
• 该方法实现了首个高效的 ℓ₂-稀疏恢复算法，仅恢复少量高影响边。
• 该方法为操作有效电阻嵌入提供了新原语，可能在图草图中具有更广泛的应用。
• 算法的递归结构确保尽管存在多层递归，总运行时间仍保持在 Õ(nε⁻²)。