[论文解读] Multi-Level Weighted Additive Spanners

Reyan Ahmed, Greg Bodwin+4 more|arXiv (Cornell University)|Jan 1, 2021

Complexity and Algorithms in Graphs参考文献 30被引用 2

一句话总结

本文提出了一种适用于边权图的多级加权加法聚类生成框架，其中顶点具有不同的服务质量（QoS）等级。该方法将+2子集聚类生成推广至加权图，提出一种d-light初始化参数调节机制，并通过实验表明，调节该参数可显著降低聚类稀疏性，且运行时间成本极低，在Erdős–Rényi、Watts–Strogatz、Barabási–Albert和随机几何图上均优于基线方法。

ABSTRACT

Given a graph G = (V,E), a subgraph H is an additive +β spanner if dist_H(u,v) ≤ dist_G(u,v) + β for all u, v ∈ V. A pairwise spanner is a spanner for which the above inequality is only required to hold for specific pairs P ⊆ V × V given on input; when the pairs have the structure P = S × S for some S ⊆ V, it is called a subsetwise spanner. Additive spanners in unweighted graphs have been studied extensively in the literature, but have only recently been generalized to weighted graphs. In this paper, we consider a multi-level version of the subsetwise additive spanner in weighted graphs motivated by multi-level network design and visualization, where the vertices in S possess varying level, priority, or quality of service (QoS) requirements. The goal is to compute a nested sequence of spanners with the minimum total number of edges. We first generalize the +2 subsetwise spanner of [Pettie 2008, Cygan et al., 2013] to the weighted setting. We experimentally measure the performance of this and several existing algorithms by [Ahmed et al., 2020] for weighted additive spanners, both in terms of runtime and sparsity of the output spanner, when applied as a subroutine to multi-level problem. We provide an experimental evaluation on graphs using several different random graph generators and show that these spanner algorithms typically achieve much better guarantees in terms of sparsity and additive error compared with the theoretical maximum. By analyzing our experimental results, we additionally developed a new technique of changing a certain initialization parameter which provides better spanners in practice at the expense of a small increase in running time.

研究动机与目标

• 为解决在顶点具有不同优先级或服务需求的多级QoS环境下，加权加法聚类生成缺乏高效构造方法的问题。
• 将无权+2子集聚类生成推广至加权情形，实现+2W误差界，而非先前工作中采用的+8W误差界。
• 评估并优化初始化参数（特别是d-light初始化中的d）以提升聚类稀疏性与运行效率。
• 提供一种结合近似算法与整数规划的实用框架，用于在多种随机图模型中评估聚类质量。

提出的方法

• 提出一种多级聚类生成构造方法，为逐级提升的QoS级别构建嵌套子图，每个子图相对于原图最短路径满足加法误差界。
• 通过将边计数替换为最短路径上最大边权W(s,t)，将+2子集聚类生成构造方法适配至加权图，从而实现+2W误差界。
• 引入d-light初始化阶段，为每个顶点添加d条最轻边，以优先选择可能位于最短路径上的边，从而提升聚类质量。
• 对d值进行参数扫描（例如d, d/2, d/4, ...），并选择最稀疏的聚类结果，仅引入log d量级的运行时间开销。
• 使用整数线性规划（ILP）计算小规模实例的精确最优聚类，作为近似质量的基准。
• 在四类随机图模型上评估算法：Erdős–Rényi图、Watts–Strogatz图、Barabási–Albert图和随机几何图，变化n、ℓ及终端选择方法。

实验结果

研究问题

• RQ1 能否将+2子集聚类生成构造推广至加权图，以实现+2W误差界？
• RQ2 在多级加权加法聚类生成构造中，d-light方法中初始化参数d的选择如何影响聚类稀疏性与运行时间？
• RQ3 在不同随机图模型中，近似算法与最优解（通过ILP计算）之间的性能差距如何？
• RQ4 即使理论最优d值更大，是否在实践中通过指数级减少d（如d, d/2, d/4, ...）仍能获得更稀疏的聚类？

主要发现

• 与基于聚类的方法相比，d-light初始化方法显著提升了聚类稀疏性，且最佳效果出现在远小于理论预测值的d值上。
• 将d指数级减少（如从d降至d/8）可一致获得更稀疏的聚类，且在多个d值中选择最稀疏结果可显著提升性能，仅引入log d量级的运行时间成本。
• +2W聚类生成构造优于先前工作的+8W基线，将误差从+8W降低至+2W，同时保持相近的稀疏性。
• ILP求解器可为小图（≤40个顶点）找到最优解，但45个顶点实例的运行时间超过64小时，证实了对可扩展启发式方法的需求。
• 在Erdős–Rényi图和随机几何图上，+2W基于聚类的算法比基于初始化的方法更慢，后者在图规模增大时扩展性更好。
• 通过自适应d参数调优，实验近似比（聚类大小 / 最优大小）在密集图和小世界图上显著改善。