[论文解读] Simple Round Compression for Parallel Vertex Cover

Sepehr Assadi|arXiv (Cornell University)|Sep 14, 2017

Parallel Computing and Optimization Techniques参考文献 10被引用 21

一句话总结

该论文提出了一种随机化MPC算法，在O(log log n)轮内以每台机器O(n)的内存实现最小点覆盖的O(log n)近似。通过将最大匹配中的轮次压缩技术适配到点覆盖问题，该方法简化了先前的方法，并通过分阶段剥除过程结合随机顶点划分和每台机器的本地计算，实现了大规模图的高效并行计算。

ABSTRACT

Recently, Czumaj et.al. (arXiv 2017) presented a parallel (almost) $2$-approximation algorithm for the maximum matching problem in only $O({(\log\log{n})^2})$ rounds of the massive parallel computation (MPC) framework, when the memory per machine is $O(n)$. The main approach in their work is a way of compressing $O(\log{n})$ rounds of a distributed algorithm for maximum matching into only $O({(\log\log{n})^2})$ MPC rounds. In this note, we present a similar algorithm for the closely related problem of approximating the minimum vertex cover in the MPC framework. We show that one can achieve an $O(\log{n})$ approximation to minimum vertex cover in only $O(\log\log{n})$ MPC rounds when the memory per machine is $O(n)$. Our algorithm for vertex cover is similar to the maximum matching algorithm of Czumaj et.al. but avoids many of the intricacies in their approach and as a result admits a considerably simpler analysis (at a cost of a worse approximation guarantee). We obtain this result by modifying a previous parallel algorithm by Khanna and the author (SPAA 2017) for vertex cover that allowed for compressing $O(\log{n})$ rounds of a distributed algorithm into constant MPC rounds when the memory allowed per machine is $O(n\sqrt{n})$.

研究动机与目标

• 设计一种在MPC模型下每台机器内存受限的最小点覆盖并行算法。
• 将Czumaj等人提出的最大匹配问题中的轮次压缩技术扩展到点覆盖问题。
• 与以往MPC点覆盖算法相比，实现更简化的分析，后者通常依赖于复杂程序。
• 在每台机器内存为O(n)的条件下，实现亚对数轮复杂度，同时保持合理的近似比。
• 提供一种实用且可实现的MPC算法，即使在略低于线性内存的范围内也能运行。

提出的方法

• 该算法采用分阶段剥除过程，迭代移除度高于阈值的顶点，从n开始，每阶段将阈值减半。
• 通过随机顶点划分将每阶段压缩为O(1)轮MPC计算，以将图分布到各台机器。
• 在每阶段内，每台机器独立处理其随机子集的顶点及其关联边，模拟本地剥除。
• 通过收集并合并各台机器本地计算得到的部分覆盖，维护全局点覆盖。
• 最后一阶段在剩余图上使用标准剥除过程，确保所有边被覆盖，当内存为s时，轮数上限为O(log(n/s))。
• 分析依赖于集中不等式，证明每台机器的边数以高概率保持在内存限制内。

实验结果

研究问题

• RQ1 能否将MPC中用于最大匹配的轮次压缩技术适配到最小点覆盖问题？
• RQ2 与先前方法相比，能否在MPC中为点覆盖实现更简化的分析？
• RQ3 当每台机器内存限制为O(n)时，近似比与轮复杂度之间的权衡是什么？
• RQ4 该算法能否扩展到在略低于线性内存下运行？
• RQ5 随机顶点划分是否能实现MPC中点覆盖的高效可扩展并行计算？

主要发现

• 该算法以高概率实现对最小点覆盖的O(log n)近似。
• 当每台机器拥有O(n)内存时，该算法在O(log log n)轮内运行。
• 每台机器的空间为O(n log² n)（以高概率），确保在MPC模型中的可行性。
• 该算法可扩展至子线性内存s = n^Ω(1)，实现O(log log n + log(n/s))轮。
• 与先前MPC点覆盖算法相比，该分析显著简化，避免了复杂数据结构和复杂协调机制。
• 该方法表明，匹配问题中的轮次压缩技术可有效重用于点覆盖，即使原始匹配算法无法直接扩展到点覆盖。