[论文解读] Improved Parallel Algorithms for Spanners and Hopsets

Gary L. Miller, Richard Peng+2 more|arXiv (Cornell University)|Sep 13, 2013

Complexity and Algorithms in Graphs参考文献 6被引用 7

一句话总结

本文提出了一种改进的并行算法，用于通过指数启动时间聚类构建聚点图和 hopset，实现了线性工作量和多对数深度。该工作引入了首个在无向图中实现 $O(m\operatorname{poly}\log n)$ 工作量的并行近似最短路径算法，利用概率聚类弱化了直径约束，从而实现了无权图和加权图在最优拉伸和大小边界下的高效、工作最优的构造。

ABSTRACT

We use exponential start time clustering to design faster and more work-efficient parallel graph algorithms involving distances. Previous algorithms usually rely on graph decomposition routines with strict restrictions on the diameters of the decomposed pieces. We weaken these bounds in favor of stronger local probabilistic guarantees. This allows more direct analyses of the overall process, giving: * Linear work parallel algorithms that construct spanners with $O(k)$ stretch and size $O(n^{1+1/k})$ in unweighted graphs, and size $O(n^{1+1/k} \log k)$ in weighted graphs. * Hopsets that lead to the first parallel algorithm for approximating shortest paths in undirected graphs with $O(m\;\mathrm{polylog}\;n)$ work.

研究动机与目标

• 设计更快且更工作高效的并行图算法，用于距离相关问题，如聚点图和 hopset。
• 通过用更强的局部概率保证替代传统低直径图分解中的严格直径约束，弱化其限制。
• 实现对多层聚类过程的独立概率分析，减少分层分解带来的累积误差。
• 实现首个在无向图中以 $O(m\operatorname{poly}\log n)$ 工作量近似最短路径的并行算法。
• 将这些技术扩展至无权图和加权图，实现最优拉伸和大小保证。

提出的方法

• 使用指数启动时间聚类生成概率上行为良好的聚类，以减少分层之间的依赖性。
• 通过增加一轮聚类并添加额外边，构造出拉伸度为 $O(k)$、大小为 $O(n^{1+1/k})$ 的聚点图（无权图）和 $O(n^{1+1/k}\log k)$（加权图）。
• 应用反向分析以限制失真，通过追踪单条未知的最优 $s$-$t$ 路径，并分析其被分解切割的频率。
• 在加权情形下采用加权并行 BFS 和分层聚类，结合边权分桶和舍入以控制比值。
• 使用层状聚类结构，确保分解和 BFS 步骤可高效并行化，且深度和工作量有界。
• 引入可调参数的递归机制，通过调整 $\beta$ 和 $n_{\text{final}}$ 控制深度和跳数，实现工作量与深度之间的权衡。

实验结果

研究问题

• RQ1 指数启动时间聚类能否用于设计更工作高效的并行算法来构造聚点图和 hopset？
• RQ2 如何利用聚类中的概率保证来弱化分层图分解中的严格直径约束？
• RQ3 能否在无向图中实现 $O(m\operatorname{poly}\log n)$ 工作量的并行近似最短路径？
• RQ4 通过该方法构造 hopset 时，深度、工作量和近似质量之间的权衡是什么？
• RQ5 能否通过每层独立使用局部概率边界分析分层聚类过程，从而减少累积误差？

主要发现

• 本文提出了一种线性工作量的并行算法，用于在无权图中构造拉伸度为 $O(k)$、大小为 $O(n^{1+1/k})$ 的聚点图，深度为 $O(\log n \log^* n)$。
• 对于边权比为 $U$ 的加权图，该算法在 $O(\log U \log n \log^* n)$ 深度内完成 $O(m)$ 工作，构造出大小为 $O(n^{1+1/k}\log k)$ 的聚点图。
• 首次实现了无向图中 $(1+\epsilon)$-近似最短路径的并行算法，工作量为 $O(m\epsilon^{-2-\alpha}\log^{3+\alpha}n)$，深度为 $O(n^{(4+\alpha)/(4+2\alpha)}\epsilon^{-1-\alpha}\log^2 n \log^* n)$。
• 具体实例化后，对任意常数 $\epsilon'$，可实现 $O(n^{0.96}\log^2 n \log^* n)$ 深度和 $O(m\log^{3.2}n)$ 工作量，且具有 $O(\operatorname{poly}\log n)$ 深度和 $O(m\operatorname{poly}\log n)$ 工作量。
• hopset 构造实现了期望跳数 $O(n^{1+1/\delta+\eta+\gamma_1(1-1/\delta)-\gamma_2}/\epsilon^{1-\gamma_2})$ 和失真 $O(\epsilon d)$，从而支持高效的最短路径近似。
• 该方法通过将各层视为独立的概率事件，避免了分层分解带来的累积误差，实现了更紧密的分析和更优的界。