[论文解读] New Techniques and Tighter Bounds for Local Computation Algorithms

Omer Reingold, Shai Vardi|arXiv (Cornell University)|Apr 22, 2014

Complexity and Algorithms in Graphs参考文献 16被引用 4

一句话总结

本文提出了設計局部計算演算法（LCAs）的新技術，顯著提升了稀疏圖上最大匹配與最大獨立集等問題的時間與空間效率。透過形式化鄰域依賴的在線演算法並引入 d-light 圖，作者達成 O(log n log log n) 時間與 O(log n log log n) 空間的界，相較於以往針對更廣泛圖族的 O(log³n) 時間與 O(log³n) 空間結果，實現了更優的效率，且證明過程更簡潔、更具通用性。

ABSTRACT

Given an input $x$, and a search problem $F$, local computation algorithms (LCAs) implement access to specified locations of $y$ in a legal output $y \in F(x)$, using polylogarithmic time and space. Mansour et al., (2012), had previously shown how to convert certain online algorithms to LCAs. In this work, we expand on that line of work and develop new techniques for designing LCAs and bounding their space and time complexity. Our contributions are fourfold: (1) We significantly improve the running times and space requirements of LCAs for previous results, (2) we expand and better define the family of online algorithms which can be converted to LCAs using our techniques, (3) we show that our results apply to a larger family of graphs than that of previous results, and (4) our proofs are simpler and more concise than the previous proof methods. For example, we show how to construct LCAs that require $O(\log{n}\log\log{n})$ space and $O(\log^2{n})$ time (and expected time $O(\log\log{n})$) for problems such as maximal matching on a large family of graphs, as opposed to the henceforth best results that required $O(\log^3{n})$ space and $O(\log^4{n})$ time, and applied to a smaller family of graphs.

研究动机与目标

• 設計更高效的局部計算演算法（LCAs），以改善大圖上組合搜尋問題的時間與空間複雜度。
• 將 LCAs 的適用圖族擴展至有界度或常數度圖之外，包含 d-light 圖（如隨機圖與二分圖）等。
• 形式化一類新演算法——鄰域依賴的在線演算法——以支援透過隨機頂點排序系統化地建構 LCAs。
• 簡化並推廣先前的 LCA 分析證明技術，超越查詢樹抽象化方法。
• 建立 LCA 複雜度的緊緻界，並透過高degree圖的下界證明其最佳性。

提出的方法

• 引入鄰域依賴的在線演算法，其中每個頂點的輸出僅取決於其在序列中較早到達的鄰居之值。
• 定義 d-light 圖為一類廣泛的圖（例如 d-正則圖、G(n,p) 且 p=d/n、隨機二分圖），其度數以高概率為 O(log log n)。
• 透過在隨機頂點順序上模擬在線演算法來建構 LCAs，並限制查詢僅針對在 queried 頂點之前到達的鄰居。
• 使用緊湊的資料結構儲存邊與頂點的相對位置，以高概率每條邊使用 O(log log n) 位元，將空間降至 O(log n log log n)。
• 應用隨機雜湊與高效的 DFS 掃描，以最小的空間開銷重構圖中的頂點身分與路徑。
• 利用 d-light 圖中相關鄰域大小的機率分析，證明期望時間與空間界，顯示其為多對數複雜度。

实验结果

研究问题

• RQ1 我們能否針對更廣泛的圖族設計出時間與空間複雜度更優的 LCAs，以解決最大匹配與相關問題？
• RQ2 哪一類在線演算法可透過統一框架系統性地轉換為高效的 LCAs？
• RQ3 我們如何特徵化 LCA 可達多對數複雜度的圖族？此類演算法的極限為何？
• RQ4 我們能否簡化並推廣先前 LCA 分析中使用的證明技術，超越查詢樹抽象化？
• RQ5 O(log n log log n) 的時間與空間界對 d-light 圖上的 LCAs 是否為緊緻？當度數超過 O(log log n) 時會發生什麼？

主要发现

• 本論文在 d-light 圖上達成 O(log n log log n) 時間與 O(log n log log n) 空間複雜度的 LCA，優於先前 O(log³n) 時間與 O(log³n) 空間的結果。
• 針對最大匹配，新 LCA 每次查詢需 O(log²n) 時間與 O(log n log log n) 空間，期望時間為 O(log log n)，期望空間為 O(log n)。
• 此框架適用於顯著更廣泛的圖族，包括 d-正則圖、G(n,p) 且 p = d/n（其中 d = O(log log n)），以及固定消費度的隨機二分圖。
• 證明技術比先前方法更簡潔且更具通用性，避免使用查詢樹，改而依賴於頂點鄰域大小的機率分析。
• 結果為緊緻：當圖的期望度數為 ω(log log n) 時，相關鄰域的期望大小會變成超多對數級，表示使用相同模擬技術無法進一步改善此界。
• 此框架可延伸至任何明確的鄰域依賴在線演算法，進而支援高效 LCA 建構，適用於最大獨立集、頂點染色與負載平衡演算法。