[论文解读] Local Problems in Trees Across a Wide Range of Distributed Models

Abhishek Dhar, Eli Kujawa+5 more|arXiv (Cornell University)|Sep 20, 2024

Data Management and Algorithms被引用 1

一句话总结

本文证明，对于树中许多局部可检查标记问题（LCL）类别，随机化在线-LOCAL 模型相较于确定性 LOCAL 模型并无渐近优势。通过使用路径泵送和规范标记法，从在线-LOCAL 算法构造出一个 LOCAL 算法，作者证明了在树中，全局问题在所有中间模型（包括量子和 SLOCAL 变体）中仍保持为全局问题，从而为树中 LCL 局域性提供了近乎完整的分类。

ABSTRACT

The randomized online-LOCAL model captures a number of models of computing; it is at least as strong as all of these models: - the classical LOCAL model of distributed graph algorithms, - the quantum version of the LOCAL model, - finitely dependent distributions [e.g. Holroyd 2016], - any model that does not violate physical causality [Gavoille, Kosowski, Markiewicz, DISC 2009], - the SLOCAL model [Ghaffari, Kuhn, Maus, STOC 2017], and - the dynamic-LOCAL and online-LOCAL models [Akbari et al., ICALP 2023]. In general, the online-LOCAL model can be much stronger than the LOCAL model. For example, there are locally checkable labeling problems (LCLs) that can be solved with logarithmic locality in the online-LOCAL model but that require polynomial locality in the LOCAL model. However, in this work we show that in trees, many classes of LCL problems have the same locality in deterministic LOCAL and randomized online-LOCAL (and as a corollary across all the above-mentioned models). In particular, these classes of problems do not admit any distributed quantum advantage. We present a near-complete classification for the case of rooted regular trees. We also fully classify the super-logarithmic region in unrooted regular trees. Finally, we show that in general trees (rooted or unrooted, possibly irregular, possibly with input labels) problems that are global in deterministic LOCAL remain global also in the randomized online-LOCAL model.

研究动机与目标

• 确定随机化在线-LOCAL 模型在树状图结构中是否相较于经典 LOCAL 模型具有分布式计算优势。
• 对包括量子-LOCAL、SLOCAL 和动态-LOCAL 变体在内的多种分布式模型中的 LCL 问题局域性进行分类。
• 研究树中的全局 LCL 问题在随机化在线-LOCAL 计算下是否仍保持为全局问题。
• 开发一种从在线-LOCAL 算法到树中等价 LOCAL 算法的转换方法，利用路径泵送和规范标记法。

提出的方法

• 通过从原树 T 复制子树和路径构造修改后的树 S，以在 LOCAL 设置中模拟在线-LOCAL 行为。
• 使用路径泵送在 S 中生成多个子路径的副本，其长度受常数长度 lpump 限制，以模拟算法的重复访问。
• 应用抽屉原理识别可泵送路径上的重复标记，从而定义一个规范标记函数 f，将每条路径映射到其最频繁的标记。
• 设计一种“遗忘型”LOCAL 算法 A′，其基于局部邻域和规范标记对节点进行标记，消除对全局内存或顺序处理的依赖。
• 利用有界路径长度和常数大小的输入标记，确保非泵送区域和被删除树的常数局域性标记。
• 证明任何在树中针对 LCL 问题的在线-LOCAL o(n) 算法均可转换为具有 O(√n) 局域性的确定性 LOCAL 算法。

实验结果

研究问题

• RQ1 是否存在某些树中的 LCL 问题，使得随机化在线-LOCAL 模型相较于确定性 LOCAL 模型具有超常数的渐近优势？
• RQ2 所有在确定性 LOCAL 模型中具有全局局域性的 LCL 问题，是否都能在随机化在线-LOCAL 模型中以相同局域性求解？
• RQ3 在使用量子-LOCAL 模型时，树中的 LCL 问题是否存在分布式量子优势？
• RQ4 根树与无根正则树中 LCL 问题局域性的完整分类是什么？
• RQ5 能否系统性地将在线-LOCAL 算法转换为树中等价的 LOCAL 算法？

主要发现

• 对于树中许多类别的 LCL 问题，随机化在线-LOCAL 模型与确定性 LOCAL 模型具有等价的渐近局域性，意味着在此设置下不存在分布式量子优势。
• 通过路径泵送和规范标记法，可将任意在线-LOCAL o(n) 算法转换为具有 O(√n) 局域性的确定性 LOCAL 算法。
• 在根正则树中，本文提供了 LCL 问题局域性的近乎完整分类，解决了超对数区域。
• 在无根正则树中，本文完全分类了超对数局域性区域，表明可实现的复杂度无间隙。
• 树中的全局 LCL 问题在随机化在线-LOCAL 模型中仍保持为全局问题，即在此模型中无法以亚线性局域性求解。
• 通过构造修改后的树 S 和使用规范标记，确保算法 A′ 能够在不依赖全局内存或顺序访问的前提下，仅基于局部信息和常数预计算，模拟在线-LOCAL 行为。