[论文解读] On the Complexity of Hub Labeling

Maxim A. Babenko, Andrew V. Goldberg+3 more|arXiv (Cornell University)|Jan 11, 2015

Complexity and Algorithms in Graphs参考文献 15被引用 12

一句话总结

本文證明了Hub Labeling (HL) 與Hierarchical Hub Labeling (HHL) 的NP完全性，並證明兩者的最佳解在計算上皆屬困難。本文為廣泛使用的貪心HHL演算法提供了理論保證，顯示新提出的d-HHL變體具有 $ O(\text{polylog } n) $ 的近似比，且在低高速公路維度圖形中，其標籤大小為 $ \theta(\text{poly}(\text{highway dimension})) $；同時也證明現有貪心演算法的近似比下界為 $ \theta(\text{poly}(\text{sqrt}(n))) $，從而彙整了實務上HHL效能表現的關鍵理論缺口。

ABSTRACT

Hub Labeling (HL) is a data structure for distance oracles. Hierarchical HL (HHL) is a special type of HL, that received a lot of attention from a practical point of view. However, theoretical questions such as NP-hardness and approximation guarantee for HHL algorithms have been left aside. In this paper we study HL and HHL from the complexity theory point of view. We prove that both HL and HHL are NP-hard, and present upper and lower bounds for the approximation ratios of greedy HHL algorithms used in practice. We also introduce a new variant of the greedy HHL algorithm and a proof that it produces small labels for graphs with small highway dimension.

研究动机与目标

• 建立Hub Labeling (HL) 與Hierarchical Hub Labeling (HHL) 的計算複雜度，證明兩者皆為NP完全。
• 為廣泛使用的貪心HHL演算法（g-HHL與w-HHL）提供理論上的近似保證，此類分析在過去尚付之闕如。
• 分析最佳HL與最佳HHL標籤大小之間的差距，顯示在某些圖形中HHL可能顯著大於HL。
• 設計一種新的貪心HHL變體（d-HHL），其具有可證明良好的標籤大小與近似比，特別是在高速公路維度較低的圖形中表現優異。
• 彙整對實務上HHL演算法表現良好但缺乏正式近似保證之原因的理論缺口。

提出的方法

• 透過將點覆蓋問題還原至有向圖構造，以多對一還原法證明最佳HL問題的NP完全性。
• 提出一種新的貪心HHL演算法（d-HHL），其根據未覆蓋點對數與標籤大小所衍生的動態重要性分數，優先選擇中心點。
• 利用點覆蓋問題的還原法，證明最佳HHL問題為NP完全，進而建立貪心演算法近似比的下界。
• 分析高速公路維度 $ h $ 較低之圖形中的標籤大小與近似比，證明d-HHL在每頂點可達 $ O(h \times \text{log } D) $ 的標籤大小。
• 利用基於星形圖（中心點與團連接之中心點）的標籤構造，展示最佳HL與最佳HHL之間存在 $ \theta(\text{sqrt}(n)) $ 的差距。
• 應用高速公路維度與集合覆蓋近似之已知結果，以 $ \text{poly}(\text{log } n) $ 與 $ \text{poly}(\text{sqrt}(n)) $ 因子來界定貪心HHL演算法的表現。

实验结果

研究问题

• RQ1 尋找最佳Hub Labeling (HL) 解的問題是否為NP完全？
• RQ2 尋找最佳Hierarchical Hub Labeling (HHL) 解的問題是否為NP完全？
• RQ3 貪心HHL演算法（g-HHL）相對於最佳HL解的近似比為何？
• RQ4 新的貪心HHL演算法變體（d-HHL）是否能比現有演算法獲得更佳的理論近似保證？
• RQ5 在最壞情況下，最佳HHL大小與最佳HL大小之間的差距可能多大？

主要发现

• 透過點覆蓋問題的多對一還原法，證明最佳Hub Labeling (HL) 與最佳Hierarchical Hub Labeling (HHL) 問題皆為NP完全。
• 對於高速公路維度 $ h $ 與直徑 $ D $ 的圖形，存在一種HHL，其每頂點的標籤大小為 $ O(h \times \text{log } D) $，與已知的HL界相符。
• 所提出的d-HHL演算法達成每頂點 $ O(h \times \text{log } n \times \text{log } D) $ 的標籤大小，且相對於最佳HL的近似比為 $ O(\text{sqrt}(n) \times \text{log } n \times \text{log } D) $。
• 本文證明g-HHL的近似比下界為 $ \theta(\text{sqrt}(n)) $，w-HHL的下界為 $ \theta(\text{sqrt}[3]{n}) $，顯示兩者皆無法達成多對數近似。
• 本文建構了一類圖形，其中最佳HHL大小為最佳HL大小的 $ \theta(\text{sqrt}(n)) $ 倍，顯示層次標籤在某些情況下可能顯著不如一般標籤節省空間。
• 研究結果顯示，貪心HHL演算法無法達成多對數近似比，因此仍留下一個開放問題：是否存在一種HHL演算法可達成多對數近似？