[论文解读] Nearly Tight Spectral Sparsification of Directed Hypergraphs

Kazusato Oko, Shinsaku Sakaue+1 more|arXiv (Cornell University)|Apr 6, 2022

Sparse and Compressive Sensing Techniques被引用 1

一句话总结

本文提出了首个针对有向超图的近乎最优的谱稀疏化算法，采用受基于跨度图的方法启发的迭代采样方法。该算法实现了 O*(n²) 大小的 ε-谱稀疏化器——在 ε⁻¹ 和 log n 因子范围内最优——证明了近乎紧致的界，并首次建立了针对一般有向超图的 Ω(n²/ε) 非平凡下界。

ABSTRACT

Spectral hypergraph sparsification, an attempt to extend well-known spectral graph sparsification to hypergraphs, has been extensively studied over the past few years. For undirected hypergraphs, Kapralov, Krauthgamer, Tardos, and Yoshida~(2022) have proved an $\varepsilon$-spectral sparsifier of the optimal $O^*(n)$ size, where $n$ is the number of vertices and $O^*$ suppresses the $\varepsilon^{-1}$ and $\log n$ factors. For directed hypergraphs, however, the optimal sparsifier size has not been known. Our main contribution is the first algorithm that constructs an $O^*(n^2)$-size $\varepsilon$-spectral sparsifier for a weighted directed hypergraph. Our result is optimal up to the $\varepsilon^{-1}$ and $\log n$ factors since there is a lower bound of $Ω(n^2)$ even for directed graphs. We also show the first non-trivial lower bound of $Ω(n^2/\varepsilon)$ for general directed hypergraphs. The basic idea of our algorithm is borrowed from the spanner-based sparsification for ordinary graphs by Koutis and Xu~(2016). Their iterative sampling approach is indeed useful for designing sparsification algorithms in various circumstances. To demonstrate this, we also present a similar iterative sampling algorithm for undirected hypergraphs that attains one of the best size bounds, enjoys parallel implementation, and can be transformed to be fault-tolerant.

研究动机与目标

• 开发首个针对加权有向超图的近乎最优谱稀疏化器。
• 弥合有向超图谱稀疏化器大小界理论理解上的差距。
• 为一般有向超图建立非平凡下界。
• 将基于跨度图的稀疏化技术扩展至超图，并提供可证明的保证。
• 展示该算法的容错性与可并行性。

提出的方法

• 采用基于超跨度图的迭代采样算法，每轮迭代采样 λi 个互不相交的超跨度图以减少超边数量。
• 使用递归采样策略，并在各轮迭代中自适应调整 εi 值，以维持谱近似性。
• 利用 Koutis 和 Xu（2016）提出的基于跨度图的框架，并通过针对尾-头对的新型 Fuv 构造方法将其适配至超图。
• 在初始 O(n²m) 阶段后，使用 rm 个处理器实现工作高效并行算法，达到工作最优性。
• 通过每轮迭代采样 λi + k 个超跨度图，将方法扩展至容错稀疏化，以抵御最多 k 条超边删除。
• 应用精确的集中不等式与递推关系分析，以控制最终稀疏化器的大小。

实验结果

研究问题

• RQ1 能否为有向超图构造出近乎最优的 O*(n²) 谱稀疏化器？
• RQ2 有向超图的 ε-谱稀疏化器大小的理论下界是什么？
• RQ3 基于跨度图的迭代采样框架能否推广至具有可证明保证的超图？
• RQ4 如何在保持大小效率的前提下，将容错性融入超图稀疏化？
• RQ5 该算法能否实现高效并行化并达到工作最优性？

主要发现

• 本文构造了一个大小为 O(n² log³(n/ε)/ε²) 的 ε-谱稀疏化器，其大小在 ε⁻¹ 和 log n 因子范围内近乎最优。
• 建立了针对一般有向超图的非平凡下界 Ω(n²/ε)，表明该大小界在对数和 ε⁻¹ 因子范围内是紧致的。
• 该算法在并行执行中实现了工作最优性，仅需在初始 n²m 处理器阶段后使用 rm 个处理器。
• 该方法具备弱 k-容错性，确保在高概率下，即使删除最多 k 条超边，谱近似性依然成立。
• 该大小界优于先前工作，包括 O(n³ log n/ε²) 和 O(n²r³ log²n/ε²) 的界，并与无向超图的最佳已知界一致。
• 对于普通图（r=2），该方法在容错稀疏化器大小上相比先前工作改进了 poly(log n) 因子。