In the LOCAL model, low-diameter decomposition is a useful tool in designing algorithms, as it allows us to shift from the general graph setting to the low-diameter graph setting, where brute-force information gathering can be done efficiently. Recently, Chang and Su [PODC 2022] showed that any high-conductance network excluding a fixed minor contains a high-degree vertex, so the entire graph topology can be gathered to one vertex efficiently in the CONGEST model using expander routing. Therefore, in networks excluding a fixed minor, many problems that can be solved efficiently in LOCAL via low-diameter decomposition can also be solved efficiently in CONGEST via expander decomposition. In this work, we show improved decomposition and routing algorithms for networks excluding a fixed minor in the CONGEST model. Our algorithms cost $\text{poly}(\log n, 1/\epsilon)$ rounds deterministically. For bounded-degree graphs, our algorithms finish in $O(\epsilon^{-1}\log n) + \epsilon^{-O(1)}$ rounds. Our algorithms have a wide range of applications, including the following results in CONGEST. 1. A $(1-\epsilon)$-approximate maximum independent set in a network excluding a fixed minor can be computed deterministically in $O(\epsilon^{-1}\log^\ast n) + \epsilon^{-O(1)}$ rounds, nearly matching the $\Omega(\epsilon^{-1}\log^\ast n)$ lower bound of Lenzen and Wattenhofer [DISC 2008]. 2. Property testing of any additive minor-closed property can be done deterministically in $O(\log n)$ rounds if $\epsilon$ is a constant or $O(\epsilon^{-1}\log n) + \epsilon^{-O(1)}$ rounds if the maximum degree $\Delta$ is a constant, nearly matching the $\Omega(\epsilon^{-1}\log n)$ lower bound of Levi, Medina, and Ron [PODC 2018].


翻译:在LOCAL模型中,低直径分解是设计算法的有用工具,因为它允许我们从一般图设置转移到低直径图设置,其中可以有效地进行暴力信息收集。最近,Chang和Su [PODC 2022]表明,任何排除固定矿物的高导电网络都包含一个高度节点,因此可以使用扩展器路由在CONGEST模型中将整个图拓扑有效地聚集到一个节点。因此,在排除固定矿物的网络中,许多可以通过低直径分解在LOCAL中有效地解决问题也可以通过扩展器分解在CONGEST中有效地解决。在这项工作中,我们展示了排除固定矿物的网络中改进的分解和路由算法。我们的算法确定地需要多项式的轮数,复杂度为$\text{poly}(\log n,1/\epsilon)$。对于有限度图,我们的算法在$O(\epsilon^{-1}\log n)+\epsilon^{-O(1)}$轮内完成。我们的算法具有广泛的应用,包括CONGEST中的以下结果。1.可以在排除固定矿物的网络中确定地计算(1-ε)-逼近最大独立集,复杂度为$O(\epsilon^{-1}\log^\ast n)+\epsilon^{-O(1)}$轮,接近Lenzen和Wattenhofer [DISC 2008]的$\Omega(\epsilon^{-1}\log^\ast n)$下限。2.如果ε是一个常数或最大度数$\Delta$是一个常数,可以在$O(\log n)$轮内或者在$O(\epsilon^{-1}\log n) + \epsilon^{-O(1)}$轮内确定地完成任何添加矿物排斥属性的性质测试,接近于Levi, Medina和Ron [PODC 2018]的$\Omega(\epsilon^{-1}\log n)$下限。

0
下载
关闭预览

相关内容

【ICDM 2022教程】图挖掘中的公平性:度量、算法和应用
专知会员服务
27+阅读 · 2022年12月26日
【2022新书】高效深度学习,Efficient Deep Learning Book
专知会员服务
117+阅读 · 2022年4月21日
专知会员服务
50+阅读 · 2020年12月14日
神经常微分方程教程,50页ppt,A brief tutorial on Neural ODEs
专知会员服务
71+阅读 · 2020年8月2日
强化学习最新教程,17页pdf
专知会员服务
174+阅读 · 2019年10月11日
浅聊对比学习(Contrastive Learning)第一弹
PaperWeekly
0+阅读 · 2022年6月10日
征稿 | International Joint Conference on Knowledge Graphs (IJCKG)
开放知识图谱
2+阅读 · 2022年5月20日
Hierarchically Structured Meta-learning
CreateAMind
26+阅读 · 2019年5月22日
强化学习的Unsupervised Meta-Learning
CreateAMind
17+阅读 · 2019年1月7日
无监督元学习表示学习
CreateAMind
27+阅读 · 2019年1月4日
Unsupervised Learning via Meta-Learning
CreateAMind
42+阅读 · 2019年1月3日
A Technical Overview of AI & ML in 2018 & Trends for 2019
待字闺中
16+阅读 · 2018年12月24日
【推荐】ResNet, AlexNet, VGG, Inception:各种卷积网络架构的理解
机器学习研究会
20+阅读 · 2017年12月17日
【推荐】RNN/LSTM时序预测
机器学习研究会
25+阅读 · 2017年9月8日
国家自然科学基金
3+阅读 · 2014年12月31日
国家自然科学基金
0+阅读 · 2013年12月31日
国家自然科学基金
0+阅读 · 2012年12月31日
国家自然科学基金
0+阅读 · 2012年12月31日
国家自然科学基金
1+阅读 · 2011年12月31日
国家自然科学基金
0+阅读 · 2009年12月31日
国家自然科学基金
0+阅读 · 2009年12月31日
国家自然科学基金
0+阅读 · 2009年12月31日
Arxiv
0+阅读 · 2023年5月26日
Arxiv
0+阅读 · 2023年5月23日
Arxiv
54+阅读 · 2022年1月1日
Arxiv
92+阅读 · 2021年5月17日
VIP会员
相关资讯
浅聊对比学习(Contrastive Learning)第一弹
PaperWeekly
0+阅读 · 2022年6月10日
征稿 | International Joint Conference on Knowledge Graphs (IJCKG)
开放知识图谱
2+阅读 · 2022年5月20日
Hierarchically Structured Meta-learning
CreateAMind
26+阅读 · 2019年5月22日
强化学习的Unsupervised Meta-Learning
CreateAMind
17+阅读 · 2019年1月7日
无监督元学习表示学习
CreateAMind
27+阅读 · 2019年1月4日
Unsupervised Learning via Meta-Learning
CreateAMind
42+阅读 · 2019年1月3日
A Technical Overview of AI & ML in 2018 & Trends for 2019
待字闺中
16+阅读 · 2018年12月24日
【推荐】ResNet, AlexNet, VGG, Inception:各种卷积网络架构的理解
机器学习研究会
20+阅读 · 2017年12月17日
【推荐】RNN/LSTM时序预测
机器学习研究会
25+阅读 · 2017年9月8日
相关基金
国家自然科学基金
3+阅读 · 2014年12月31日
国家自然科学基金
0+阅读 · 2013年12月31日
国家自然科学基金
0+阅读 · 2012年12月31日
国家自然科学基金
0+阅读 · 2012年12月31日
国家自然科学基金
1+阅读 · 2011年12月31日
国家自然科学基金
0+阅读 · 2009年12月31日
国家自然科学基金
0+阅读 · 2009年12月31日
国家自然科学基金
0+阅读 · 2009年12月31日
Top
微信扫码咨询专知VIP会员