Superfast Coloring in CONGEST via Efficient Color Sampling
我们提出了一个有效地采样的{ \congest }模型中的颜色的过程。它允许颜色数量超过其邻居数量一个恒定分数的节点在$O(1)$轮中对其邻居未使用的半随机颜色进行采样,最多可达$Θ(\log n)$,即使在距离为2的设置中。这产生了具有$O(\log^* Δ)$复杂度的算法,用于不同的边着色、顶点着色和距离2着色问题,尽可能匹配最佳。特别地,我们得到了当$Δ\ge \log^{1+1/\log^*n} n$为$(1+ε)Δ$ -边着色时的$O(\log^* Δ)$ -轮CONGEST算法,以及一般情况下$(2Δ-1)$ -边着色的poly($\log\log n$)-轮算法.采样过程的灵感来自纽曼在通信复杂性的开创性成果。
2021-03-03 cs.DC cs.DS
Narrowing the LOCAL$\unicode{x2013}$CONGEST Gaps in Sparse Networks via Expander Decompositions
National University of Singapore(新加坡国立大学);Boston College(波士顿学院)
本文提出一个通用框架,利用分布式扩展器分解,在排除固定子图的稀疏网络中,为多个组合优化问题实现poly(log n, 1/ε)轮(1±ε)近似,并推广了分布式性质测试。
2025-10-23 cs.DC cs.DS
Beyond Alice and Bob: Improved Inapproximability for Maximum Independent Set in CONGEST
到目前为止,显示CONGEST模型下限的最有成效的技术是减少两方通信的复杂性。这种技术已经为各种基本问题,如距离计算,最小生成树,最小顶点覆盖等,产生了几乎紧密的结果。在这项工作中,我们采取这种技术更进一步,我们引入了一个框架,减少$t$ -党的通信复杂性,为每一个$t\geq 2$。我们的框架使我们能够显示最大独立集的改进的硬度结果。最近,Bachrach et al. [PODC 2019]使用两方框架来显示最大独立集近似的困难性。他们表明,找到一个$(5/6+ε)$ -近似需要$Ω(n/\log^6 n)$轮,找到一个$(7/8+ε)$ -近似需要$Ω(n^2/\log^7 n)$轮,在CONGEST模型中,$n$在网络中的节点数。我们改进了Bachrach等人的结果。通过减少多方通信的复杂性。我们的结果是:(1)在CONGEST模型中找到最大独立集的$(1/2+ε)$ -近似的算法需要$Ω(n/\log^3 n)$轮. (2)在CONGEST模型中找到最大独立集的$(3/4+ε)$ -近似的任何算法都需要$Ω(n^2/\log^3 n)$轮。
2020-05-27 cs.DC cs.DS
Quadratic and Near-Quadratic Lower Bounds for the CONGEST Model
我们提出了第一个超线性下界的自然图问题的CONGEST模型,回答了一个长期存在的问题。具体来说,我们表明,任何精确计算的最小顶点覆盖或最大独立集需要$Ω(n^2/\log^2{n})$轮在最坏的情况下,在CONGEST模型,以及任何算法的$χ$ -着色图,其中$χ$是色数的图形。我们进一步表明,这种强大的下界不限于NP-难的问题,通过显示两个简单的图形问题,在P需要一个二次和近二次轮数。最后,我们解决的问题,计算加权所有对最短路径(APSP),这可以说是一个候选人,有一个超线性下界的精确解。我们展示了一个简单的$Ω(n)$下界这个问题,这意味着分离的加权和未加权的情况下,因为后者是已知的有一个复杂的$Θ(n/\log{n})$。我们还正式证明,标准的爱丽丝-鲍勃框架是无法提供一个超线性下界精确加权APSP,其复杂性仍然是一个有趣的开放性问题。
2017-05-16 cs.DC cs.DS
A Deterministic Distributed $2$-Approximation for Weighted Vertex Cover in $O(\log n\logΔ/ \log^2\logΔ)$ Rounds
针对CONGEST模型中的最小权顶点覆盖问题,提出了一种确定性的分布式$2$ -近似算法,其轮复杂度为$O(\log n \log Δ/ \log^2 \log Δ)$ .这比[KVY 94]所暗示的当前最知名的确定性2-近似有所改进。我们的解决方案推广了[BCS 17]的$(2+ε)$近似算法,将对$ε^{-1}$的依赖性从线性提高到对数。此外,对于每个$ε=(\log Δ)^{-c}$,其中$c\geq 1$是一个常数,我们的算法计算一个$(2+ε)$ -近似$O(\log Δ/ \log \log Δ)$ ~轮(这是渐近最优的)。
2018-05-23 cs.DC cs.DS
Towards singular optimality in the presence of local initial knowledge
本文研究分布式CONGEST模型中局部初始知识对算法性能的影响,提出在KT2 CONGEST模型下构造danner的新方法,显著改善了时间与消息复杂度之间的权衡。
2024-02-23 cs.DC
Fast Distributed Vertex Splitting with Applications
我们提出了${\rm poly\log\log n}$轮随机分布式算法来计算顶点分裂,一个分区的顶点到$k$部分,使一个节点的度$d(u)$有$\approx d(u)/k$邻居在每个部分的图。我们的技术可以被看作是第一个进展,一般${\rm poly\log\log n}$轮算法的Lovász局部引理。作为我们结果的主要应用,我们得到了一个随机的${\rm poly\log\log n}$ -轮CONGEST算法,用于$(1+ε)Δ$ -边着色$n$ -节点图的足够大的常数最大度$Δ$,对于任何$ε>0$ .此外,我们的结果提高了计算缺陷着色和某些紧列表着色问题。所有的结果都以指数方式提高了最先进的轮复杂度,即使在Round-Model中也是如此。
2022-08-17 cs.DC cs.DS
Optimal Distributed Weighted Set Cover Approximation
提出了一个时间最优的确定性分布式算法,用于逼近秩为$f$的超图的最小权顶点覆盖。该问题等价于最小权集覆盖问题,其中每个元素的频率由$f$限定。我们的算法的近似因子是$(f+ε)$。令$Δ$表示超图中的最大度。我们的算法在CONGEST模型中运行,需要$O(\logΔ / \log \log Δ)$轮,用于常数$ε\in (0,1]$和$f\in\mathbb N^+$。这是该问题的第一个分布式算法,其运行时间不依赖于顶点权重或顶点数。从而为\emph{provably optimal}分布式算法的专有家族增加了另一个成员。对于$f$和$ε$的常数值,我们的算法改进了\cite{KuhnMW06}的$(f+ε)$ -近似算法,其运行时间为$O(\log Δ+ \log W)$,其中$W$是图中最大和最小顶点权重之间的比率。
2018-08-17 cs.DC
Improved Massively Parallel Computation Algorithms for MIS, Matching, and Vertex Cover
我们提出了$O(\log\log n)$轮算法的大规模并行计算(MPC)模型,与$\tilde{O}(n)$内存每台机器,计算一个最大的独立集,一个$1+ε$近似的最大匹配,和一个$2+ε$近似的最小顶点覆盖,任何$n$顶点图和任何常数$ε>0$。这些改进了现有技术如下:-我们的MIS算法导致一个简单的$O(\log\log Δ)$ -轮MIS算法在分布式计算的拥塞集团模型,它改进了$\tilde{O}(\sqrt{\log Δ})$轮算法的Ghaffari [PODC'17]。- 我们的$O(\log\log n)$ -圆形$(1+ε)$ -近似最大匹配算法简化或改进了以下先前的工作:$O(\log^2\log n)$ -圆形$(1+ε)$ -Czumaj等人的近似算法[STOC'18]和$O(\log\log n)$ -圆形$(1+ε)$ -Assadi等人的近似算法[SODA'19]。- 我们的$O(\log\log n)$ -圆形$(2+ε)$ -近似最小顶点覆盖算法改进了Assadi等人的$O(\log\log n)$ -圆形$O(1)$ -近似[arXiv'17]。
2022-03-17 cs.DC cs.DS
Distributed K-Backup Placement and Applications to Virtual Memory in Real-World Wireless Networks
在$\mathcal{CONGEST}$分布式设置中的网络中的备份放置问题考虑网络图$G = (V,E)$,其中每个顶点$v \in V$的目标是选择邻居,使得$V$中选择相同顶点的顶点的最大数量被最小化[Halldorsson等人,2015年]。以往的备份放置算法忽略了实际异构无线网络中的主要因素。具体地,没有考虑节点的存储器和存储容量,并且没有参考节点具有不同能量容量的情况,因此可以在任何时间离开(或加入)网络。这些参数在无线网络中密切相关,因为网络不同部分的负载可能差异很大,因此需要更多的通信、能量、内存和存储。为了适应现实世界的无线网络的属性,这项工作解决了一个广义版本的原始问题,即$K$ -备份放置,其中每个顶点选择$K$邻居,为一个积极的参数$K$。我们的$K$ -备份放置算法仅在一轮内终止。此外,我们提出了两个互补的算法,采用$K$ -备份放置,以获得有效的虚拟内存计划的无线网络。第一个算法将每个节点的内存分成许多小部分。每个顶点都被分配了它的邻居的一个大子集的记忆。因此,更多的内存容量为更多的顶点获得,但有很多碎片。第二种算法需要更大的轮复杂度,但为每个顶点产生更大的虚拟内存而没有任何碎片。
2020-06-20 cs.DC
Efficient Distributed Decomposition and Routing Algorithms in Minor-Free Networks and Their Applications
National University of Singapore(新加坡国立大学)
本文提出在排除固定最小团的网络中,通过改进的分解与路由算法,在CONGEST模型中以多项式对数时间解决近似最大独立集和属性测试问题。
2026-03-24 cs.DC cs.DS
Parameterized Distributed Algorithms
在这项工作中,我们发起了一个深入的研究参数化图优化问题的分布式设置。在参数化问题中,算法决定是否存在由\emph{parameter} $k$限制大小的解,如果存在,则它找到一个。我们研究的基本问题,包括最小顶点覆盖(MVC),最大独立集(MaxIS),最大匹配(MaxM),和许多其他的,在这两个分布式计算模型,CONGEST。我们提出了在这两个模型中解决参数化问题的轮复杂性的下限,以及最佳和接近最佳的上限。我们的结果超出了参数化问题的范围。我们表明,上述问题的任何$(1+ε)$近似算法必须采取$Ω(ε^{-1})$轮。结合[GKM 17]的算法和[KMW 16]的$Ω(\sqrt{\frac{\log n}{\log\log n}})$下界,解决了在$(ε^{-1}\log n)^{Θ(1)}$下$(1+ε)$逼近MVC、MaxM和MaxIS的复杂性。我们还表明,我们的参数化方法减少了精确和近似的MVC和MaxM的CONGEST算法的运行时间,如果最佳解决方案是小的,事先不知道它的大小。最后,我们提出了第一个确定性的$o(n^2)$轮CONGEST算法,近似MVC和MaxM的一个因素严格小于$2$。
2018-08-06 cs.DC cs.DS
Near-Optimal Distributed Computation of Small Vertex Cuts
本文提出在CONGEST模型中检测小顶点割的近似最优算法,通过线性图素描和重-轻树分解绕过最大度障碍,实现$\widetilde{O}(D)$轮计算所有割点和割对,改进现有结果。
2023-06-20 cs.DC cs.DS
Fast Distributed Backup Placement in Sparse and Dense Networks
我们考虑在$\mathcal{CONGEST}$分布式设置的网络中的备份放置问题。给定网络图$G = (V,E)$,每个顶点$v \in V$的目标是选择邻居,使得$V$中选择相同顶点的最大顶点数量最小化。备份放置问题是由Halldorsson、Kohler、Patt-Shamir和Rawitz提出的,他们用随机多对数时间得到了一个$O(\log n/ \log \log n)$近似。他们的算法仍然是最先进的一般图,以及特定的图形拓扑结构。在本文中,我们得到显着改进的算法,各种图形拓扑结构。具体而言,我们表明,$O(1)$ -近似最佳备份位置可以计算确定性$O(1)$轮的图形模型无线网络,某些社交网络,无爪图,更一般地说,在任何图形与邻域独立性由一个常数。在另一端,我们考虑稀疏图,如树,森林,平面图和图的常数荫度,并获得一个常数近似的最佳备份放置在$O(\log n)$确定性轮。显然,我们的常数时间算法的图与常数邻域独立性是渐近最优的。此外,我们表明,我们的算法稀疏图是不远处,以及最佳的,通过证明几个下界。具体来说,无方向树的最佳备份放置需要$Ω(\log n)$时间,而具有多对数近似因子的近似备份放置需要$Ω(\sqrt {\log n / \log \log n})$时间。我们的结果扩展了知识的问题“什么可以计算本地?”,并揭示了分布式对称破缺问题的复杂性之间令人惊讶的差距。
2019-08-14 cs.DC
Optimal Distributed Covering Algorithms
我们提出了一个时间最优的确定性分布式算法近似的最小重量顶点覆盖秩$f$超图。该问题等价于最小权集覆盖问题,其中每个元素的频率由$f$限定。我们的算法的近似因子是$(f+ε)$。我们的算法在CONGEST模型中运行,并且对于常量$ε\in(0,1]$和$f\in N^+$需要$O(\logΔ/ \log\logΔ)$轮。这是该问题的第一个分布式算法,其运行时间不依赖于顶点的权重,也不依赖于顶点的数量。对于$f$和$ε$的常数值,我们的算法改进了KMW 06的$(f+ε)$ -近似算法,其运行时间是$O(\log Δ+ \log W)$,其中$W$是图中最大和最小顶点权重之间的比率。我们的算法还实现了$f$ -近似的问题在$O(f\log n)$轮,提高了经典的结果KVY 94,实现了运行时间的$O(f\log^2 n)$。最后,对于加权顶点覆盖($f=2$),我们的算法实现了$O(\log n)$的\emph{deterministic}运行时间,匹配\emph{randomized}以前最好的结果KY 11。我们还表明,整数覆盖程序可以减少到最小重量集覆盖问题的分布式设置。这允许我们在$O(\frac{\logΔ}{\log\logΔ}+(f\cdot\log M)^{1.01}\logε^{-1}(\logΔ)^{0.01})$轮中实现$(f+ε)$ -近似积分解,其中$f$限制…
2019-05-30 cs.DC cs.DS
Distributed Graph Coloring Made Easy
本文提出了一个确定性的CONGEST算法来计算$O(Δ/k)+\log^* n$轮中的$O(kΔ)$ -顶点着色,其中$Δ$是网络图的最大度,$1\leq k\leq O(Δ)$可以自由选择.该算法非常简单:每个节点在本地计算一个颜色序列,然后它从大小为$k$的序列中批量“尝试颜色”。我们的算法将分布式图着色历史上的许多重要结果作为特例,包括Linial的颜色减少[Linial,FOCS'87],著名的局部迭代算法[Barenboim,Elkin,Goldenberg,PODC'18],以及计算缺陷和arbdefective着色的各种算法。我们的算法可以平滑地在这些之间缩放,并且还简化了最先进的$(Δ+1)$着色算法。在失去了完整的算法的简单性的代价,我们还提供了一个$O(kΔ)$着色算法在$O(\sqrt{Δ/k})+\log^* n$轮。我们还提供了改进的确定性规则集的算法,此外,我们提供了一个严格的表征一轮颜色减少算法。
2023-02-26 cs.DC cs.DS
Improved Bounds for Distributed Load Balancing
在负载均衡问题中,输入是一个$n$ -顶点二分图$G = (C \cup S, E)$和每个客户端$c \in C$的正权重.算法必须将每个客户端$c \in C$分配给相邻的服务器$s \in S$。然后,服务器的负载是分配给它的所有客户端的加权和,并且目标是计算使服务器负载的某个函数最小化的分配,通常是最大服务器负载(即,$\ell_{\infty}$ -范数)或服务器负载的$\ell_p$ -范数。我们研究分布式环境下的负载均衡。在CONGEST模型中有两个现有的结果。Czygrinow等人[DISC 2012]展示了具有轮复杂度$O(Δ^5)$的未加权客户端的2-近似,其中$Δ$是输入图的最大度。Halldórsson等人[SPAA 2015]显示了未加权客户端的$O(\log{n}/\log\log{n})$近似和加权客户端的$O(\log^2\!{n}/\log\log{n})$近似,具有轮复杂度polylog $(n)$。在本文中,我们展示了第一个分布式算法来计算$O(1)$ -近似的负载均衡问题的polylog $(n)$轮。在CONGEST模型中,我们给出了一个$O(1)$ -近似算法在polylog $(n)$轮未加权的客户端。对于加权客户端,近似比率为$O(\log{n})$。在约束较少的情况下,给出了加权客户端在polylog $(n)$轮中的$O(1)$ …
2020-11-25 cs.DC cs.DS
Distributed Dense Subgraph Detection and Low Outdegree Orientation
由Picard和Queyranne以及Goldberg于80年代提出的可分解子图问题是组合优化中的经典问题,有着广泛的应用。最低出度定向问题被称为其对偶问题。我们研究了在分布式环境中寻找稠密子图的问题和计算低出度方向的问题。假设$G=(V,E)$是底层网络和输入图。令$D$表示$G$的最大密度子图的密度。我们的主要结果如下。给定值$\tilde{D} \leq D$和$0 < ε< 1$,我们证明了密度至少为$(1-ε)\tilde{D}$的子图可以在LOCAL模型的$O((\log n) / ε)$轮中确定性地识别。我们还提出了一个下界,表明我们的结果的$O(\log n)$因子紧的模型。在CONGEST模型中,我们证明了这样的子图可以在$O((\log^3 n) / ε^3)$轮中以高概率被识别。我们的技术还导致了一个$O(diameter + (\log^4 n)/ε^4)$轮算法,产生一个$1-ε$近似的denatrial子图。这改进了Das Sarma等人[DISC 2012]的先前$O(diameter /ε\cdot \log n)$轮算法,该算法仅产生$1/2-ε$近似值。给定一个整数$\tilde{D} \geq D$和$Ω(1/\tilde{D}) < ε< 1/4$,我们给出了一个确定性的,$\tilde{O}((\log^2 n) /ε^2)$轮算法在CON…
2022-09-11 cs.DC cs.DS