[论文解读] Faster Spectral Sparsification in Dynamic Streams

Michael Kapralov, Aida Mousavifar+3 more|arXiv (Cornell University)|Mar 28, 2019

Caching and Content Delivery参考文献 57被引用 4

一句话总结

本文提出了首个在动态数据流中实现谱稀疏化的动态流算法，其恢复时间低于二次方，同时使用接近最优的空间复杂度，通过在有效电阻度量上采用新颖的球体切割技术实现。此外，本文还引入了一种新型伪随机生成器（PRG），可在每次评估时仅产生对数多边形的开销，实现高效的去随机化，从而消除了在流算法中对免费随机性的依赖。

ABSTRACT

Graph sketching has emerged as a powerful technique for processing massive graphs that change over time (i.e., are presented as a dynamic stream of edge updates) over the past few years, starting with the work of Ahn, Guha and McGregor (SODA'12) on graph connectivity via sketching. In this paper we consider the problem of designing spectral approximations to graphs, or spectral sparsifiers, using a small number of linear measurements, with the additional constraint that the sketches admit an efficient recovery scheme. Prior to our work, sketching algorithms were known with near optimal $ ilde O(n)$ space complexity, but $Ω(n^2)$ time decoding (brute-force over all potential edges of the input graph), or with subquadratic time, but rather large $Ω(n^{5/3})$ space complexity (due to their reliance on a rather weak relation between connectivity and effective resistances). In this paper we first show how a simple relation between effective resistances and edge connectivity leads to an improved $\widetilde O(n^{3/2})$ space and time algorithm, which we show is a natural barrier for connectivity based approaches. Our main result then gives the first algorithm that achieves subquadratic recovery time, i.e. avoids brute-force decoding, and at the same time nontrivially uses the effective resistance metric, achieving $n^{1.4+o(1)}$ space and recovery time. Our main technical contribution is a novel method for `bucketing' vertices of the input graph into clusters that allows fast recovery of edges of high effective resistance: the buckets are formed by performing ball-carving on the input graph using (an approximation to) its effective resistance metric. We feel that this technique is likely to be of independent interest.

研究动机与目标

• 设计一种在动态图中使用少量线性测量实现高效恢复的谱稀疏化方法。
• 克服先前流算法在空间复杂度与恢复时间之间的权衡。
• 开发一种伪随机生成器（PRG），实现线性流算法的高效去随机化，且运行时开销极小。
• 建立一种基于有效电阻度量的顶点聚类新方法，实现对高有效电阻边的快速恢复。
• 消除流算法中对免费完美随机性的假设，否则将导致巨大的运行时开销。

提出的方法

• 在有效电阻度量上使用新颖的球体切割过程，对顶点进行聚类，高效识别高电阻边。
• 应用基于树的索引方案，实现在动态更新过程中对流组件的快速访问与恢复。
• 引入一种多级伪随机生成器（PRG），将短种子扩展为长伪随机串，每次评估仅产生对数多边形的开销。
• 采用局部可计算的提取器支持PRG构造，确保评估开销低且种子长度短。
• 将图流处理重新表述为基于边-顶点关联向量的线性流处理问题，使其适用于动态流。
• 使用重排论证表明，PRG模拟的算法在任意更新顺序下仍保持正确性，从而在动态环境中维持正确性。

实验结果

研究问题

• RQ1 能否在动态流中实现谱稀疏化，同时具备低于二次方的恢复时间与接近最优的空间复杂度？
• RQ2 基于连通性的流处理方法在谱稀疏化中的根本限制是什么？
• RQ3 能否为线性流处理算法构造一种伪随机生成器，使其每次评估仅产生对数多边形的开销？
• RQ4 如何利用有效电阻度量实现快速恢复，而无需暴力解码？
• RQ5 是否可能在不引入巨大运行时开销的前提下，去除流算法中对免费随机性的假设？

主要发现

• 本文实现了空间与恢复时间均为 $ n^{1.4+o(1)} $ 的谱稀疏化，打破了基于连通性的方法此前的 $ \tilde{O}(n^{3/2}) $ 限制。
• 所提出的在有效电阻度量上的球体切割方法，通过将顶点聚类为低直径组件，实现了对高电阻边的快速恢复。
• 构造了一种新型多级PRG，种子长度为 $ O(S \cdot \mathop{\mathrm{polylog}} S) $，每次评估开销为 $ O(\mathop{\mathrm{polylog}} S) $，其中 $ S $ 为流大小。
• 该PRG可将任意 $ S $ 空间的线性流处理算法模拟为仅增加对数多边形因子的运行时间，从而消除了对免费随机性的依赖。
• 该算法在自然的边界情况中实现了 $ \tilde{O}(n^{3/2}) $ 的空间与时间复杂度，表明基于连通性的方法无法突破此下限。
• 该框架通过每次更新仅需 $ O(\mathop{\mathrm{polylog}} n) $ 的开销实现对流的增量更新，保持了在伪随机性下的正确性，从而实现了高效的动态流处理。