Near-Optimal Distributed Approximation of Minimum-Weight Connected Dominating Set
针对最小权连通支配集(MCDS)问题,提出了一种近优分布式近似算法。该算法在$\tilde{O}(D+\sqrt{n})$轮中找到一个$O(\log n)$近似,其中$D$是网络直径,$n$是节点数。MCDS是一个经典的NP难问题,并且已知所实现的近似因子$O(\log n)$直到常数因子为止是最优的,除非P=NP。此外,已知$\tilde{O}(D+\sqrt{n})$轮复杂度是最佳模对数因子(对于任何近似),遵循[Das Sarma等人,STOC'11]。
2014-04-30 cs.DC cs.DS
Bibliography of distributed approximation beyond bounded degree
本工作整理了聚焦于有界度之外图类的分布式近似算法相关非正式文献目录,覆盖几何类、有界参数类、含禁用结构类等多种图类的相关技术研究。
2023-11-09 cs.DC cs.DS
A Distributed Minimum Cut Approximation Scheme
本文研究了分布式消息传递模型CONGEST模型中最小割的近似问题。最小割问题已经在集中式算法的上下文中得到了很好的研究。然而,在Ghaffari和Kuhn最近的工作之前,在分布式模型中没有已知的非平凡算法。他们给出了分别在$O(D)+\tilde{O}(n^{1/2+ε})$轮和$\tilde{O}(D+\sqrt{n})$轮中寻找大小为$O(ε^{-1}λ)$和$(2+ε)λ$的割的算法,其中$λ$是最小割的大小。这与他们提供的下限匹配,直到多对数因子。然而,还没有已知的实现$(1+ε)$近似比的方案。我们给出了一个分布式算法,发现切割的大小$(1+ε)λ$在$\tilde{O}(D+\sqrt{n})$时间,这是最佳的多对数因子。
2014-01-21 cs.DC cs.DS
Distributed Approximation of Minimum $k$-edge-connected Spanning Subgraphs
在最小$k$ -边连通生成子图($k$-ECSS)问题中,目标是找到抵抗多达$k-1$边失效的最小权子图。这是网络设计中的核心问题,也是最小生成树(MST)问题的自然推广。虽然MST问题已被广泛研究的分布式计算社区,为$k \geq 2$较少是已知的分布式设置。在本文中,我们提出了快速随机分布逼近算法$k$ -ECSS在CONGEST模型。我们的第一个贡献是2-ECSS的$\widetilde{O}(D + \sqrt{n})$ -轮$O(\log{n})$ -近似,对于一个图,具有$n$顶点和直径$D$。我们的算法的时间复杂度几乎是紧的,几乎匹配的MST问题的时间复杂度。对于较大的$k$常数值,我们给出了一个$\widetilde{O}(n)$ -轮$O(\log{n})$ -近似。此外,在特殊的情况下,未加权的3-ECSS,我们展示了如何提高时间复杂度的$O(D \log^3{n})$轮。我们的所有结果显着改善了以前的算法的时间复杂度。
2018-05-20 cs.DC cs.DS
Deterministic Distributed Dominating Set Approximation in the CONGEST Model
我们开发了确定性的近似算法的最小支配集问题的CONGEST模型的几乎最佳近似保证。对于$ε>1/{\text{poly}}\log Δ$,我们得到两个算法与近似因子$(1+ε)(1+\ln (Δ+1))$和运行时$2^{O(\sqrt{\log n \log\log n})}$和$O(Δ\cdot\text{poly}\log Δ+\text{poly}\log Δ\log^{*} n)$,分别。此外,我们展示了如何支配集近似可以确定性地转化为一个连接的支配集的\CONGEST模型,而只增加了一个常数因子的近似保证。这导致在一个确定性的$O(\log Δ)$ -近似算法的最小连通支配集的时间复杂性$2^{O(\sqrt{\log n \log\log n})}$。
2019-12-23 cs.DC cs.DS
Near-Optimal Distributed Dominating Set in Bounded Arboricity Graphs
本文描述了一个简单的确定性$O( \varepsilon^{-1} \log Δ)$轮分布式算法,用于树荫度至多为$α$的图的最小权支配集的$(2α+1)(1 + \varepsilon)$逼近。这里$Δ$表示最大程度。我们还展示了一个下界,证明即使在未加权的情况下,此轮复杂度也几乎是最优的,通过从分布式顶点覆盖近似的著名KMW下界[Kuhn,Moscibroda和Wattenhofer JACM'16]减少。我们的算法改进了以前的所有结果(仅适用于未加权图),包括$O(\log n)$轮中的随机$O(α^2)$近似[Lenzen和Wattenhofer DISC'10],$O(\log Δ)$轮中的确定性$O(α\log Δ)$近似[Lenzen和Wattenhofer DISC'10],$O(\log^2 Δ)$轮中的确定性$O(α)$近似[隐含在Bansal和Umboh IPL'17和Kuhn,Moscibroda和Wattenhofer SODA'06中],以及$O(α\log n)$轮中的随机$O(α)$近似[Morgan,Solomon和Wein DISC'21]。我们还提供了一个随机的$O(α\logΔ)$轮分布式算法,锐化逼近因子$α(1+o(1))$。如果每个节点被限制为进行多项式时间计算,则我们的近似因子在一阶中是紧的,因为实现$α- 1 - \varepsil…
2022-06-10 cs.DC cs.DS
Fast Distributed Approximation for TAP and 2-Edge-Connectivity
树扩充问题(TAP)是一个基本的网络设计问题,其输入是一个图$G$及其生成树$T$,目标是用$G$的最小边集$Aug$扩充$T$,使得$T \cup Aug$是2-边连通的. TAP已在序贯设置中被广泛研究。加权情况下最著名的近似比2可以追溯到Frederickson和JáJá的工作,SICOMP 1981。最近,Kortsarz和Nutov在TALG 2016中给出了未加权TAP的3/2近似值。最近的突破给出了未加权TAP的近似值1.458 [Grandoni等人,STOC 2018],以及有界权重的近似值优于2 [Adjiashvili,SODA 2017; Fiorini等人,SODA 2018]。在本文中,我们提供了第一个快速分布近似TAP。我们提出了一个分布式的$2$近似加权TAP完成$O(h)$轮,其中$h$是高度的$T$。当$h$是大的,我们展示了一个更快的4-近似算法的未加权的情况下,完成在$O(D+\sqrt{n}\log^*{n})$轮,其中$n$是顶点数和$D$是直径的$G$。我们的结果的直接后果是一个$O(D)$ -轮2-近似算法的最小尺寸的2-边连通生成子图,这显着提高了以前的近似算法的运行时间,和$O(h_{MST}+\sqrt{n}\log^{*}{n})$ -轮3-近似算法的加权情况下,其中$h_{MST}$是高度的MST的图。其他的应用是验证2-边…
2019-05-10 cs.DC cs.DS
Distributed algorithms for covering, packing and maximum weighted matching
本文给出了具有次模代价和单调覆盖约束的复盖问题的多对数轮分布D-近似算法。近似比D是任何约束中的最大变量数。特殊情况包括覆盖混合线性规划(CMIP)和加权顶点覆盖(D=2)。通过对偶性,本文还给出了分数包装线性规划(其中D是变量出现的最大约束数)和超图中的最大加权c-匹配(其中D是任意超边的最大尺寸,对于图D=2)的多对数轮分布D-近似算法。本文还给出了每个约束两个变量和加权顶点覆盖的CMIP的并行(RNC)2-近似算法。算法是随机的。所有的近似比完全匹配可比的集中式算法。
2020-05-27 cs.DC cs.DS
Distributed Distance-Bounded Network Design Through Distributed Convex Programming
在分布式环境中,求解线性规划通常是一项具有挑战性的任务。虽然有很好的算法来解决包装和覆盖线性规划在一个分布式的方式(库恩等人。2006),这基本上是唯一一类线性规划,这种算法是已知的。在这项工作中,我们提供了一个分布式算法来解决不同的一类凸规划,我们称之为“距离有界的网络设计凸规划”。这些可以被认为是网络设计问题的放松,其中连接要求包括距离约束(最值得注意的是,图空间)。我们的算法在$\mathcal{LOCAL}$模型中以$O( (D/ε) \log n)$轮运行,并找到任何$0 < ε\leq 1$的最优LP解的$(1+ε)$ -近似,其中$D$是最大距离约束。虽然在分布式环境中求解线性规划本身就很有趣,但这类凸规划特别重要,因为求解它们通常是设计近似算法时的关键步骤。因此,我们几乎立即获得新的和改进的分布式近似算法的各种网络设计问题,包括基本的$3$ -和$4$ -扳手,定向$k$ -扳手,最低程度的$k$ -扳手,和浅光斯坦纳网络设计与生成需求图。我们的算法不需要任何“沉重”的计算和基本上匹配的最知名的集中式近似算法,而以前的方法,不使用沉重的计算给出的近似比最知名的集中式界限。
2017-09-08 cs.DC cs.DS math.CO
Distributed Spanner Approximation
我们解决的基本网络设计问题,构建近似最小空间。我们的贡献是分布式设置,提供算法和硬度的结果。我们的主要硬度结果表明,$α$ -近似的最小有向$k$-问题$k \geq 5$需要$Ω(n /\sqrtα\log{n})$轮使用确定性算法或$Ω(\sqrt{n }/\sqrtα\log{n})$轮使用随机的,在分布式计算的CONGEST模型。结合[Barenboim,Elkin and Gavoille,2016]中的CONGEST模型中的常数轮$O(n^ε)$ -近似算法,以及我们在这里展示的CONGEST模型中的多对数轮$(1+ε)$ -近似算法,我们对CONGEST模型的下界意味着CONGEST和CONGEST模型之间的严格分离。值得注意的是,据我们所知,这是这些模型之间的局部近似问题的第一次分离。类似地,有向和无向情况之间的分离是隐含的。我们还证明了一个近似线性下界的最小加权$k$-问题的$k \geq 4$,我们显示的加权2-问题的下界。在算法方面,除了上述的$(1+ε)$ -近似算法的最小$k$ -空间,我们的主要贡献是一个新的分布式结构的最小2-空间,只使用多项式的本地计算。我们的算法有一个保证的近似比为$O(\log(m/n))$的图与$n$顶点和$m$边,它匹配的多项式时间序列算法[Kortsarz和Peleg,1994]的最佳已知的比率,如果我们限制自己的多项式本地…
2018-02-09 cs.DC cs.DS
Distributed Approximation Algorithms for the Multiple Knapsack Problem
我们认为分布式版本的多背包问题(MKP),其中$m$项目之间分布的$n$处理器,每个背包。我们提出了不同的分布式近似算法的时间和消息的复杂性之间的权衡。该算法是基于贪婪的方法分配最好的项目与最大容量的背包。这些算法通过$\mathcal{O}\left(m\log n\right)$时间和$\mathcal{O}\left(m n\right)$消息,或$\mathcal{O}\left(m\right)$时间和$\mathcal{O}\left(mn^{2}\right)$消息,获得具有$\frac{1}{n+1}$乘以最优解的界限的解。
2017-02-02 cs.DC cs.DM cs.DS
Fast Distributed Approximation for Max-Cut
在许多计算环境中,寻找最大切割是一项基本任务。令人惊讶的是,在经典的分布式环境中,它没有得到充分的研究,其中顶点根据底层图(称为$\mathcal{LOCAL}$或$\mathcal{CONGEST}$模型)通过向其邻居同步发送消息进行通信。我们修正这一点,在这些模型中获得几乎最佳的算法,最大切割的广泛的一类图。特别是,对于任何$ε> 0$,我们开发的随机近似算法实现的比例$(1-ε)$的最大切割的二分图中的$\mathcal{CONGEST}$模型,并在一般的图形中的$\mathcal{LOCAL}$模型。我们进一步提出了有效的确定性算法,包括$1/3$ -近似的最大-Dicut在我们的模型,从而提高了最好的已知(随机)比$1/4$。我们的算法利用Buchbinder等人的贪婪方法(SIAM Journal on Computing,2015)来最大化无约束(非单调)子模函数,这可能是独立的兴趣。
2017-07-26 cs.DC cs.DS
Distributed Approximation of Minimum Routing Cost Trees
研究了有限带宽消息传递模型(CONGEST模型)中最小路由生成树的近似问题。在这个问题中,人们试图找到一个图$G$的生成树在$n$节点,最小化之间的距离和所有对节点。在所考虑的模型中,每个节点可以在每个同步轮中向其每个邻居发送不同的(但短的)消息。我们提供了一个随机的$(2+ε)$ -近似与运行时$O(D+\frac{\log n}ε)$的未加权图。这里,$D$是$G$的直径。这改进了先前已知的最佳算法的(预期)近似因子$O(\log n)$和运行时间$O(D\log^2 n)$。由于陈述我们的结果在一个非常一般的方式,我们也得到一个(最佳)运行时的$O(D)$考虑$O(\log n)$ -近似所做的最好的以前已知的算法。此外,我们推导出一个确定性的$2$ -近似。
2014-06-05 cs.DC cs.DS
Distributed Approximation of Maximum Independent Set and Maximum Matching
本文提出了一个简单的分布式$Δ$ -近似算法,用于$\mathsf{CONGEST}$模型中的最大权独立集(MaxIS),该算法在$O(\texttt{MIS}(G)\cdot \log W)$轮中完成,其中$Δ$是最大度,$\texttt{MIS}(G)$是在$G$上计算最大独立集(MIS)所需的轮数,$W$是节点的最大权.我们的算法是随机的还是确定性的取决于\texttt{MIS}算法被用作黑盒。插入MIS的最佳已知算法以$O(\log n \log W)$轮给出随机解,其中$n$是节点数。我们还提出了一个基于着色的确定性$O(Δ+\log^* n)$轮算法。然后,我们将展示如何使用我们的MaxIS近似算法来计算$2$近似的最大权重匹配,而不会产生任何额外的轮惩罚的$\mathsf{CONGEST}$模型。我们使用一个已知的减少模拟算法的线图,而招致拥塞,但我们表明我们的算法是一个广泛的家庭的\emph{local aggregation algorithms},我们描述了一种机制,允许模拟运行在$\mathsf{CONGEST}$模型,而没有额外的开销的一部分。接下来,我们表明,对于最大权重匹配,放宽近似因子($2+\varepsilon$),使我们能够设计一个分布式算法,需要$O(\frac{\log Δ}{\log\logΔ})$轮的任何常数$\varepsilon>0$…
2017-08-01 cs.DC cs.DS
Large-Scale Distributed Algorithms for Facility Location with Outliers
本文提出了快速,分布式,$O(1)$近似算法的度量设施定位问题的离群值在拥挤集团模型,大规模并行计算(MPC)模型,并在$k$机模型。本文考虑了Charikar等人(SODA 2001)提出的带离群值的设施选址问题的两个版本:鲁棒设施选址和带惩罚的设施选址。本文还考虑了两种替代指定的输入:输入度量可以提供明确的(作为一个$n \times n$矩阵分布在机器之间)或隐式的最短路径度量的一个给定的边加权图。在本文中的结果是:-隐式度量:对于这两个问题,$O(1)$ -近似算法运行在$O(\mbox{poly}(\log n))$轮的拥塞集团和MPC模型和$O(1)$ -近似算法运行在$\tilde{O}(n/k)$轮的$k$ -机模型。- 显式度量:对于这两个问题,在拥塞集团和MPC模型中运行在$O(\log\log\log n)$轮中的$O(1)$ -近似算法和在$k$ -机器模型中运行在$\tilde{O}(n/k)$轮中的$O(1)$ -近似算法。我们的主要贡献是显示存在的Mettu-Plaxton风格的$O(1)$ -近似算法的设施位置与离群值的问题。如我们以前的工作所示(Berns等人,ICALP 2012,Bandyapadhyay等人,ICDCN 2018)Mettu-Plaxton风格的算法更容易在分布式和大规模计算模型中有效实现。
2018-11-15 cs.DC cs.DS
Faster Distributed Shortest Path Approximations via Shortcuts
最近的一系列成果和突破导致了更快和更好的分布式近似算法的单源最短路径(SSSP)和CONGEST模型中的相关问题。然而,所有这些算法的运行时间都是$\tildeΩ(\sqrt{n})$,与网络拓扑无关,即使是在具有(多)对数网络直径$D$的良好网络上。虽然这对于某些病态网络是必要的,但大多数感兴趣的拓扑结构都不是这种类型。我们给出了第一个分布式的最短路径问题的近似算法,调整到拓扑结构上运行,从而实现显着更快的运行时间在许多感兴趣的拓扑结构。我们的算法的运行时间依赖于并接近于$Q$,其中$Q$是给定拓扑结构的最佳捷径的质量。虽然$Q = \tildeΘ(\sqrt{n} + D)$用于病理最坏情况的拓扑,但许多感兴趣的拓扑具有$Q = \tildeΘ(D)$,这导致我们的算法在给定平凡$Ω(D)$下限的情况下接近实例最优运行时间。我们考虑的问题如下:(1)近似的最短路径树和SSSP距离,(2)每个节点的多对数大小距离标签,使得仅从任何两个节点的标签可以确定它们的距离(近似),以及(3)转运问题的(近似)最优流。我们的算法有一个可调的运行时间和近似比之间的权衡。我们最快的算法有一个任意好的多项式近似保证和一个基本上最佳的$\tilde{O}(Q)$运行时间。另一方面,我们在$\tilde{O}(Q \cdot n^ε)$轮中实现了对任何$ε> 0$的多对数近似。
2018-08-07 cs.DC cs.DS
Distributed Approximation Algorithms for Minimum Dominating Set in Locally Nice Graphs
本文针对可嵌入有界欧拉亏格曲面的图,提出确定性的 LOCAL 分布式近似算法,将最小支配集近似比改进到 34+ε,并推广到有界渐近维数图类。
2025-07-07 cs.DC cs.DS
Distributed Signal Processing via Chebyshev Polynomial Approximation
图乘子算子的并是一类重要的线性算子,用于处理图上定义的信号。我们提出了一种新的方法来有效地分配这些运营商的应用程序。所提出的方法的特点近似的图形乘数的移位切比雪夫多项式,其递归关系,使他们很容易服从分布式计算。我们演示了如何将所提出的方法可以应用到分布式处理任务,如平滑,去噪,逆滤波,和半监督分类,并显示该方法的通信要求的规模优雅的网络的大小。
2017-07-29 cs.DC
A Fast Distributed Approximation Algorithm for Minimum Spanning Trees in the SINR Model
无线网络中的基本问题是\emph{minimum spanning tree}(MST)问题:给定无线节点的集合$V$,计算生成树$T$,使得$T$的总成本最小化。近年来,人们对基于SINR约束的物理干扰模型产生了很大的兴趣。由于模型的非局部性,分布式算法在SINR模型中尤其具有挑战性。在本文中,我们开发了一个快速的分布式近似算法MST建设的SINR为基础的分布式计算模型。对于一个$n$节点网络,我们的算法的运行时间是$O(D\log{n}+μ\log{n})$,并产生一个生成树,其成本是在$O(\log n)$倍的最佳(MST成本),其中$D$表示通过使用最大可能的传输范围获得的磁盘图的直径,和$μ=\log{\frac{d_{max}}{d_{min}}}$表示“距离分集”w.r. t。两个节点之间的最大和最小距离。(When $\frac{d_{max}}{d_{min}}$是$n$ -多项式,$μ= O(\log n)$。)我们的算法的运行时间基本上是最佳的(对数因子),因为计算{ \em any}生成树需要$Ω(D)$时间,因此我们的算法产生一个低成本的生成树的时间只有一个对数因子以上的时间来计算一个生成树。该算法得到的生成树的分布式调度复杂度为$O(μ\log n)$。我们的算法设计技术可以是有用的,在设计高效的分布式算法,在无线网络中的SINR模型的相关“全球”的问题…
2012-06-06 cs.DC cs.DS
Improved Distributed Approximations for Minimum-Weight Two-Edge-Connected Spanning Subgraph
最小权$2$ -边连通生成子图(2-ECSS)问题是最小权生成树(MST)问题的自然推广,在网络设计领域受到了广泛的关注。后一个问题要求每对顶点之间的边连通度为$1$的最小权子图,而前者将边连通度要求加强为$2$。尽管有这种相似性,2-ECSS问题比MST复杂得多。虽然MST承认一个线性时间集中精确算法,2-ECSS是NP-难的,最有名的集中近似算法(在多项式时间内运行)给出了一个$2$ -近似。在本文中,我们给出了一个确定性的分布式算法,轮复杂度为$\widetilde{O}(D+\sqrt{n})$,计算2-ECSS的$(5+ε)$ -近似,任何常数$ε>0$。直至对数因子,该复杂度与Das Sarma等人[STOC'11]推导出的$\widetildeΩ(D+\sqrt{n})$下限相匹配,如Censor-Hillel和Dory [OPODIS'17]所示。我们的结果是第一个分布常数近似2-ECSS在近最佳的时间,它改进了最近的随机算法的Dory [PODC'18],它实现了$O(\log n)$ -近似$\widetilde{O}(D+\sqrt{n})$轮。我们还提出了一种替代算法的$O(\log n)$ -近似,其轮复杂度是线性的低拥塞的捷径参数的网络,以下的框架介绍了Ghaffari和Haeupler [SODA'16]。该算法在最坏情况下的轮复杂度为$\wideti…
2019-06-03 cs.DC cs.DS
Distributed Approximation on Power Graphs
我们调查图的问题在以下设置:我们给出了一个图$G$,我们需要解决一个问题$G^2$。虽然我们主要集中在分布式CONGEST模型中探索这个主题,但我们展示了新的结果和与集中式计算模型的惊人联系。在CONGEST模型中,由于拥塞,很自然地期望$G^2$上的问题将很难在$G$上有效地解决。然而,我们表明,图片是更复杂,更有趣。具体来说,我们遇到两个现象作用在相反的方向:(i)由于拥塞和(ii)由于$G^2$的结构特性的加速减慢。我们通过两个基本的图问题,即最小顶点覆盖(MVC)和最小支配集(MDS)来证明这两个现象。在我们的许多贡献中,重点如下。- 在CONGEST模型中,我们展示了一个用于$G^2$上MVC的$O(n/ε)$ -轮$(1+ε)$ -近似算法,而没有$o(n^2)$ -轮算法已知用于$G$上MVC的任何优于2的近似。- 我们展示了一个集中的多项式时间$5/3$近似算法的MVC上$G^2$,而一个优于2的近似是UGC硬$G$。- 相比之下,对于MDS,在CONGEST模型中,我们显示了一个$\tildeΩ(n^2)$下限为一个常数逼近因子的MDS上$G^2$,而$Ω(n^2)$下限为MDS上$G$是已知的,只有精确的计算。除了这些突出显示的结果,我们证明了一些其他结果在分布式CONGEST模型,包括$\tildeΩ(n^2)$下限计算精确的解决方案,MVC的$G^2$,一个…
2020-06-06 cs.DC cs.DS
Improved Deterministic Distributed Maximum Weight Independent Set Approximation in Sparse Graphs
本文为稀疏图中的最大权独立集(MWIS)设计了新的确定性CONGEST近似算法,提出了Δ(1+ε)近似和严格依赖于树宽α的近似算法,改进了现有算法的运行时界限。
2024-02-14 cs.DC cs.DS
Distributed Dominating Set Approximations beyond Planar Graphs
最小支配集(MDS)问题是分布式计算中最基本、最具挑战性的问题之一。虽然众所周知,最小控制集不能在一般图上局部近似,但在过去几年中,在稀疏图,特别是平面图上计算局部近似已经取得了很大进展。在本文中,我们研究了分布式和确定性的MDS近似算法的图形类平面图以外。特别地,我们证明了平面图的现有逼近界可以提升到有界亏格图,并给出了(1)一个局部常数时间,常数因子MDS近似算法和(2)一个局部$\mathcal{O}(\log^*{n})$ -时间逼近方案。我们的主要技术贡献是一个新的分析略有修改的现有算法的Lenzen等人。有趣的是,与现有的平面图的证明,我们的分析不依赖于直接的拓扑参数。
2019-04-16 cs.DC cs.DM 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 Algorithms for Minimum Degree Spanning Trees
最小度生成树(MDST)问题要求为具有$n$顶点的图$G=(V,E)$构造一棵生成树$T$,使得$T$的最大度$d$是$G$的所有生成树中最小的.在本文中,我们提出了两个新的分布式近似算法的MDST问题。我们的第一个结果是一个随机分布的算法,构造一个最大程度的生成树$\hat d = O(d\log{n})$。它需要$O((D + \sqrt{n}) \log^2 n)$轮(w.h.p.),其中$D$是图直径,其匹配(在对数因子内)相关最小生成树问题的最优轮复杂度。我们的第二个结果通过构建一个最大度为$\hat d = O(d + \log{n})$的树来改进这个近似因子,尽管代价是在轮复杂度中增加了额外的多对数因子。虽然有效的近似算法的MDST问题已经知道在顺序设置自20世纪90年代以来,我们的研究结果是第一个有效的分布式解决方案,这个问题。
2018-06-08 cs.DC cs.DS
Improved Distributed Approximations for Maximum Independent Set
我们提出了改进的结果,近似最大重量独立集($\MaxIS$)的分布计算的CONGEST和CONGEST模型。给定一个输入图,令$n$和$Δ$分别为节点数和最大度,令$\MIS(n,Δ)$为在CONGEST模型中找到\emph{maximal}独立集($\MIS$)的运行时间。Bar-Yehuda等人[PODC 2017]表明,CONGEST模型中有一种算法,可在$O(\MIS(n,Δ)\log W)$轮中找到$\MaxIS$的$Δ$近似值,其中$W$是图中节点的最大权重,可高达$\poly (n)$。他们的算法是确定性的还是随机的取决于$\MIS$算法,它被用作黑盒。我们在这项工作中的主要成果是一个随机的$(\poly(\log\log n)/ε)$轮算法,发现,具有高概率,$(1+ε)Δ$近似$\MaxIS$在CONGEST模型。也就是说,通过牺牲近似保证的一小部分,我们实现了\emph{exponential}在运行时间上比以前最好的已知结果加速。由于Kuhn、Moscibroda和Wattenhofer [JACM,2016]给出的$Ω(\sqrt{\log n/\log \log n})$的下界是关于找到最大独立集(即使是在RMM模型中)的任何(可能是随机的)算法的轮数,因此该结果意味着找到$\MaxIS$的$(1+ε)Δ$ -近似比$\MIS$更容易。
2020-02-19 cs.DC cs.DS
Successive Approximation Coding for Distributed Matrix Multiplication
编码分布式计算是近年来提出的一种用于减轻离散节点对分布式计算的影响的计算方法。本文将近似计算与编码计算相结合,进一步提高计算速度。我们提出了逐次逼近编码(SAC)技术,实现了准确性和速度之间的权衡,允许的分布式计算系统产生的近似,随着时间的推移增加的准确性。如果有足够数量的计算节点完成了它们的任务,SAC会准确地恢复所需的计算。我们从理论上为我们的SAC技术提供了设计指导方针,数值计算表明,SAC实现了更好的精度-速度的权衡与以前的方法相比。
2022-01-10 cs.DC cs.IT math.IT
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
A Primal-Dual based Distributed Approximation Algorithm for Prize-Collecting Steiner Tree
奖品收集Steiner树(PCST)问题是Steiner树问题的推广,在网络设计,内容分发网络等方面有应用。有几个集中式近似算法\cite{DB_MG_DS_DW_1993, GW_1995, DJ_MM_SP_2000, AA_MB_MH_2011}用于解决PCST问题。然而,没有分布式算法是已知的,解决PCST与保证近似因子。在这项工作中,我们提出了一个异步分布式$(2 - \frac{1}{n - 1})$ -近似算法,构造一个PCST为一个给定的连接无向图与非负边权重和非负奖值为每个节点。我们的算法是Goemans和Williamson \cite{GW_1995}提出的集中式算法的分布式设置的适应,是基于原始-对偶方法。该算法的消息复杂度为$O(|V||E|)$,输入图的节点集为$V$,边集为$E$.最初,每个节点只知道自己的奖励值和每个入射边的权重。该算法在称为\emph{root node}的特殊节点处自发地发起,并且当它终止时,每个节点知道它是否在PCST中。据我们所知,这是第一个分布常数近似算法PCST。
2018-02-20 cs.DC
A Distributed Approximation Algorithm for the Metric Uncapacitated Facility Location Problem in the Congest Model
针对度量无容量限制的设施选址问题,提出了一种随机分布的近似算法。该算法在拥塞模型中的二分图上执行,产生(1.861 + λ)近似因子,其中λ是任意小的正常数。它需要O(n^{3/4} log_{1+epsilon} ^2(n)个具有高概率的通信回合(n表示设施和客户端的数量)。据我们所知,我们的算法目前有最好的近似因子的设施选址问题在分布式设置。它基于Jain等人的贪婪顺序近似算法(J. ACM 50(6),第795-824页,2003)。执行这种顺序算法的主要困难在于处理这样的情况,即多个设施有资格打开,但是(为了保持顺序算法的近似因子)实际上只有它们的子集可以打开。请注意,虽然我们的算法的运行时界限是“具有高概率”,但近似因子不是“在预期中”,而是始终保证为(1.861 + 1)。因此,我们的主要贡献是一个次线性的时间选择机制,同时增加了一个任意的小加法项的近似因子,使我们能够决定哪些符合条件的设施开放。
2011-05-06 cs.DC
Distributed Statistical Estimation and Rates of Convergence in Normal Approximation
本文提出了一类新的分布式统计估计算法,利用分而治之的方法。我们发现,分而治之的策略的主要好处之一是鲁棒性,大型分布式系统的一个重要特征。我们建立这些分布式算法的性能和正常逼近的收敛速度之间的连接,并证明非渐近偏差的保证,以及极限定理,所得到的估计。我们的技术说明通过几个例子:特别是,我们获得了新的结果的平均值估计,以及分布式极大似然估计的性能保证。
2018-08-27 cs.DC math.ST stat.ML
Parallel and Distributed Successive Convex Approximation Methods for Big-Data Optimization
近年来,人们对大规模系统的并行和分布式最优化方法产生了浓厚的兴趣。特别是非凸大规模最优化问题在许多工程领域有着广泛的应用。这种复杂的大规模系统的设计和分析提出了一些挑战,并要求开发新的最优化模型和算法。本文的主要贡献是提出了一个通用的,统一的,算法框架,连续凸逼近(SCA)技术的基础上,并行和分布式解决方案的一般类的非凸约束(不可分离的,网络)的问题。所提出的框架统一和概括了现有的几种SCA方法,使他们呼吁并行/分布式实现,同时提供了一个灵活的选择函数逼近,步长时间表,和控制的计算/通信效率。本文是根据作者之一在CIME暑期学校集中式和分布式多智能体最优化模型和算法,在Cetraro,意大利,2014年6月23日至27日举行的讲座。这些讲座是:I)连续凸逼近方法:基础; II)并行连续凸逼近方法;和III)分布式连续凸逼近方法。
2018-05-17 cs.DC math.OC
A Surprisingly Simple Method for Distributed Euclidean-Minimum Spanning Tree / Single Linkage Dendrogram Construction from High Dimensional Embeddings via Distance Decomposition
提出一种基于距离分解的分布式方法,用于高维嵌入的精确欧几里得最小生成树和单链接树状图构建,解决了神经网络高维聚类中低维算法失效的问题。
2024-06-03 cs.CG cs.DC cs.DS
Measuring Heterogeneity in Machine Learning with Distributed Energy Distance
University of Alabama at Birmingham(阿拉巴马大学伯明翰分校);Southern Illinois University(南伊利诺伊大学)
本文关注分布式和联邦学习中的特征异质性问题,引入能量距离量化分布差异,并开发泰勒近似以降低计算开销,最终提出利用能量距离分配惩罚权重以对齐异构节点预测,有效提升了模型收敛与系统协调性。
2025-01-27 cs.AI cs.DC cs.LG
Compact Distributed Interactive Proofs for the Recognition of Cographs and Distance-Hereditary Graphs
我们提出了紧凑的分布式交互式证明的两个重要的图形类的识别,以及在集中式算法,即补充可约图和距离遗传图的背景下研究。补可约图(也称余图)是指不包含四结点路$P_4$作为导出子图的图。距离遗传图是上图的一个超类,定义为在每个导出连通子图上,任意一对顶点之间的距离(最短路)相等的图。首先,我们证明了存在一个分布式交互式的证明,用于识别具有两轮交互的共图。更准确地说,我们给出了一个$\mathsf{dAM}$协议的证明大小为$\mathcal{O}(\log n)$位,使用共享的随机性,并识别具有高概率的共图。此外,我们的协议可以适用于验证任何图灵可判定谓词限制到cograph在$\mathsf{dAM}$证书的大小$\mathcal{O}(\log n)$。其次,我们给出了一个三轮,$\mathsf{dMAM}$交互式协议的距离遗传图的识别,仍然与$\mathcal{O}(\log n)$位的证明大小,并使用共享的随机性。最后,我们表明,任何一轮(表示$\mathsf{dM}$)或两轮,$\mathsf{dMA}$协议的共图或距离遗传图的识别需要证书的大小$Ω(\log n)$位。此外,我们表明,任何恒定轮$\mathsf{dAM}$协议使用共享的随机性需要证书的大小$Ω(\log \log n)$。
2020-12-06 cs.DC
Chebyshev Polynomial Approximation for Distributed Signal Processing
图傅里叶乘子的并集是一类重要的线性算子,用于处理定义在图上的信号。我们提出了一种新的方法来有效地分配这些运营商的应用程序的传感器网络收集的高维信号。所提出的方法的特点近似的图形傅立叶乘法器的移位切比雪夫多项式,其递归关系,使他们很容易服从分布式计算。我们演示了如何将所提出的方法用于分布式去噪任务,并表明该方法的通信要求随着网络的大小而优雅地扩展。
2011-05-27 cs.DC cs.NI
Bounding Distance Between Outputs in Distributed Lattice Agreement
本文提出$\varepsilon$-有界格协议,通过定义拟度量约束输出距离,在同步和异步系统中提供算法,并展示异步情况下的不可能性结果及高概率改进紧致性的启发式算法。
2025-02-01 cs.DC
A distributed approximation algorithm for the minimum degree minimum weight spanning trees
Fischer已经展示了如何对任何常数$b > 1$计算在时间上度最多为$b Δ^* + \lceil \log\_b n\rceil$的最小权生成树$O(n^{4 + 1/\ln b})$,其中$Δ^*$是最优解的值,$n$是网络中的节点数。在本文中,我们提出了一个分布式版本的菲舍尔的算法,需要消息和时间复杂度$O(n^{2 + 1/\ln b})$,和O(n)空间每个节点。
2006-07-08 cs.DC cs.DM
Distributed Local Multi-Aggregation and Centrality Approximation
我们研究了分布式环境中使用的消息传递模型的局部聚集和图形分析。我们提供了一个灵活的框架,其中每个节点在一组$S$ -这是在网络中的所有节点的子集-可以执行大范围的共同聚合功能,在其$k$ -邻域。我们在CONGEST模型中研究这个问题,在每个同步轮中,每个节点都可以向每个邻居发送不同的(但很短的)消息。虽然在$S$中的节点的$k$ -邻域可能会重叠,并且聚合可能会导致该模型中的拥塞,但我们提出了一种算法,即使当$S$中的每个节点在其$k$ -邻域上执行不同的聚合时,该算法也需要时间$O(|S|+k)$。该框架不限于聚合树,因此可以用于更高级的图分析。我们证明了这一点,通过提供有效的近似的中心性措施和近似的最小路由成本树。
2016-05-23 cs.DC
Improved Distributed Steiner Forest Construction
我们提出了新的分布式算法构造一个施泰纳森林的CONGEST模型。我们的确定性算法发现,对于任何给定的常数$ε>0$,$(2+ε)$ -近似$\tilde{O}(sk+\sqrt{\min(st,n)})$轮,其中$s$是最短路径直径,$t$是终端的数量,$k$是终端组件的数量在输入中,$n$是节点的数量。我们的随机算法发现,以高概率,$O(\log n)$ -近似时间$\tilde{O}(k+\min(s,\sqrt n)+D)$,其中$D$是网络的未加权直径。我们还证明了匹配的下限$\tildeΩ(k+\min(s,\sqrt{n})+D)$的运行时间的任何分布式近似算法的施泰纳森林问题。先前的算法是随机的,并且在$\tilde{O}(sk)$时间中获得$O(\log n)$ -近似,或者在$\tilde{O}((\sqrt{n}+t)^{1+ε}+D)$时间中获得$O(1/ε)$ -近似。
2014-05-08 cs.DC
Distributed domination on sparse graph classes
我们证明了在有界扩张的图类上的分布式计算模型中,支配集问题在常数轮数内允许常数因子近似。这推广了Czygrinow等人的结果。排除拓扑子图的非常一般的类的均匀稀疏图。我们演示了如何修改和微调我们的一般算法来计算($11+ε$)-近似(对于平面图上的最小支配集的任何$ε>0)$)。这改善了以前最好的已知的近似因子52平面图,这是通过一个优雅而简单的算法Lenzen等人。
2022-07-06 cs.DC cs.DM cs.DS
Distributed Distance-$r$ Dominating Set on Sparse High-Girth Graphs
支配集问题及其推广,距离- $r$支配集问题,是序列环境中研究得很好的问题。在分布式计算模型中,与支配不同,对距离-r支配知之甚少。这实际上是其他重要的密切相关的覆盖问题,即距离- $r$独立集问题的情况。根据Kuhn等人的结果,我们知道分布控制问题在高围长图上是困难的,我们研究了这类图的一个稍微受限制的子类:具有高围长的有界扩张图,即它们的围长至少为$4r + 3$。我们表明,在这样的图中,对于每个常数$r$,一个简单的贪婪CONGEST算法提供了一个常数因子近似的最小距离- $r$支配集的问题,在一个恒定的轮数。更准确地说,我们的常数依赖于$r$,而不是图的大小。这是第一个算法,表明有非平凡的常数因子近似在常数轮数的任何距离$r$覆盖问题在分布式设置。为了证明对r的依赖是不可避免的,我们提供了一个无条件的下界,表明同样的问题在环上已经很难了。我们还表明,我们的算法分析是相对紧密的,这是任何显着的改进,近似因子需要新的算法思想。
2019-10-07 cs.DC cs.DM math.CO
DILAND: An Algorithm for Distributed Sensor Localization with Noisy Distance Measurements
在这种对应关系中,我们提出了一种算法,分布式传感器定位与噪声距离测量(DILAND)的扩展,使DLRE更强大。DLRE是$\mathbb{R}^m$ $(m\geq1)$中的分布式传感器定位算法,在\cite{usman_loctsp:08}中引入。DILAND在以下情况下运行:(i)传感器之间的通信有噪声;(ii)网络中的通信链路可能以非零概率失败;以及(iii)为计算传感器之间的距离而执行的测量被噪声破坏。传感器(不知道它们的位置)位于至少$m+1$锚(知道它们自己的位置的节点)的凸包中。在对网络中每个传感器的连通性和三角测量的最小假设下,这种对应关系表明,在上述广泛的随机现象下,DILAND几乎肯定收敛(a.s.)精确的传感器位置
2009-10-14 cs.DC cs.IT math.IT
A Distributed Approach towards Discriminative Distance Metric Learning
University of Technology, Sydney(悉尼科技大学);Shenzhen Institute of Advanced Technology, Chinese Academy of Sciences(中国科学院深圳先进技术研究院);IBM;Microsoft Research Asia(微软亚洲研究院)
距离度量学习在发现数据中的内在关系方面是成功的。然而,大多数算法的计算要求时,问题的大小变得很大。在本文中,我们提出了一个判别式的度量学习算法,并开发了一个分布式的计划学习度量的中等大小的数据子集,并聚集的结果到一个全球性的解决方案。该技术利用了并行计算的能力。聚合距离度量学习(ADML)算法具有很好的数据规模扩展性,并可以通过分区来控制。我们从理论上分析并提供了由分布式处理引起的误差的界。我们已经进行了实验评估ADML,无论是专门设计的测试和实际的图像注释任务。这些测试表明,ADML实现了国家的最先进的性能,而成本只有大多数现有方法的一小部分。
2019-05-11 cs.DC cs.LG stat.ML
A 2-Approximation Algorithm for Data-Distributed Metric k-Center
针对数据分布式设定中子线性 k 的度量 k-中心 NP-hard 问题,提出了一个紧的 2-近似算法,该算法适用于包括 MPC 在内的多种计算模型。
2023-09-08 cs.CG cs.DC
A Boundary Approximation Algorithm for Distributed Sensor Networks
我们提出了一种算法,在本地链接的传感器网络与远程监控站进行通信的边界近似。德洛内三角剖分和沃罗诺伊图分别用于生成传感器通信网络和定义传感器之间的边界段。该算法通过在传感器网络内执行分散式计算来近似边界,从而减少了远程站通信。此外,该算法根据相邻传感器读数之间的差异而不是绝对传感器值来识别边界。的带宽消耗的算法的分析,并比较两个天真的方法。所提出的算法减少了远程通信的量(与朴素的方法相比),并在具有更多节点的网络中变得越来越有用。
2009-01-22 cs.DC
Distributed Training of Graph Convolutional Networks using Subgraph Approximation
Chalmers University of Technology(查尔姆斯理工大学);University of Southern California(南加州大学)
现代机器学习技术正在成功地适应以图形建模的数据。然而,许多真实世界的图通常非常大,不适合内存,这通常使得在它们上训练机器学习模型的问题变得棘手。分布式训练已被成功地用于缓解记忆问题并加速机器学习领域中的训练,其中输入数据被假设为独立相同分布(i.i.d)。然而,在图卷积网络(GCN)中分布非独立同分布数据(例如用作训练输入的图)的训练会导致准确性问题,因为在图划分边界处丢失了信息。在本文中,我们提出了一种训练策略,通过子图近似方案来减轻图的多个分区之间的信息丢失。我们提出的方法增加了每个子图与少量的边缘和顶点信息,近似从所有其他子图。子图近似方法有助于分布式训练系统以单机精度收敛,同时保持内存占用低,并最大限度地减少机器之间的同步开销。
2020-12-09 cs.DC cs.LG
Graph Partitioning via Parallel Submodular Approximation to Accelerate Distributed Machine Learning
Carnegie Mellon University(卡内基梅隆大学)
分布式计算擅长处理大规模数据,但是同步共享参数的通信成本可能会降低整体性能。幸运的是,在许多问题中,参数和数据之间的交互是稀疏的,这允许有效的划分,以减少通信开销。在本文中,我们制定的数据放置图分区问题。我们提出了一个分布式划分算法。我们提供理论保证和高效的实施。我们还提供了一个高效的实现算法,并证明其有前途的结果,文本数据集和社交网络。我们表明,该算法通过消除90%的网络通信,导致1.6倍的加速的状态的开始分布式机器学习系统。
2015-05-18 cs.AI cs.DC cs.LG
A Sequential Approximation Framework for Coded Distributed Optimization
University of California, Berkeley(加州大学伯克利分校)
在Lee等人和Ferdinand等人先前关于编码计算的工作的基础上,我们提出了一个以分布式方式解决优化问题的顺序近似框架。在分布式计算系统中,由单个处理器(“掉队者”)引起的延迟通常会导致整个过程的显著延迟。所提出的方法是由一个顺序的计算方案,这是专为系统的离散。该方案具有令人满意的性能,保证用户收到有用的(近似)计算结果时,处理器完成其子任务,即使在存在不确定的延迟。本文给出了一个矩阵-向量乘法序贯计算的编码定理,并证明了这种编码方案的最优性。作为应用的结果,我们演示了使用顺序逼近方法,加速算法在分布式系统中的离散求解优化问题。
2017-10-24 cs.DC cs.IT cs.LG
Differentially Private ADMM for Convex Distributed Learning: Improved Accuracy via Multi-Step Approximation
Oklahoma State University(俄克拉荷马州立大学);University of Texas at San Antonio(德克萨斯大学圣安东尼奥分校)
交替方向乘子法(ADMM)是一种流行的分布式学习算法,其中节点网络通过与分布式数据和数据交换相关联的迭代局部计算来协作求解正则化的经验风险最小化。当训练数据是敏感数据时,交换的迭代将引起严重的隐私问题。在本文中,我们的目标是提出一个新的差分私有分布式ADMM算法,提高了精度的范围广泛的凸学习问题。在我们提出的算法中,我们采用的目标函数的近似在本地计算中引入校准噪声的更新鲁棒性,并允许多个原始变量更新每个节点在每次迭代。我们的理论结果表明,我们的方法可以获得更高的效用,通过这样的多次近似更新,并实现了最先进的差分私人经验风险最小化的误差界渐近。
2020-05-16 cs.CR cs.DC cs.LG
Performance Trade-offs of High Order Meshless Approximation on Distributed Memory Systems
针对分布式内存系统上高阶无网格近似,研究精度与通信开销的权衡,通过RBF-FD求解泊松方程,在CPU集群上优化参数以最小化达到目标精度的计算时间。
2025-05-05 cs.DC
The Impact of Distance on Performance and Scalability of Distributed Database Systems in Hybrid Clouds
管理大数据的需求日益增长,导致了高级数据库管理系统的出现。已经有越来越多的努力旨在评估由私有或公共云计算中心托管的NoSQL和关系数据库的性能和可扩展性。然而,在混合云中评估这些数据库的性能和可扩展性的工作很少,其中私有云和公共云计算中心之间的距离可能是影响其性能的关键因素之一。因此,在本文中,我们详细评估了混合云中六个现代数据库的吞吐量,可扩展性和VM大小与VM数量的关系,其中包括阿德莱德的私有云和悉尼,孟买和弗吉尼亚地区的Azure数据中心。根据结果,随着私有云和公共云之间的距离增加,大多数数据库的吞吐量性能都会降低。其次,MongoDB获得了最好的吞吐量性能,其次是MySQL C luster,而Cassandra暴露了最大的性能波动。第三,垂直可伸缩性比水平可伸缩性更能提高数据库的吞吐量。第四,利用更大的VM而不是更多的VM和更少的内核可以提高Cassandra,Riak和Redis的吞吐量性能。
2020-07-31 cs.DC
NoPeek: Information leakage reduction to share activations in distributed deep learning
Massachusetts Institute of Technology(麻省理工学院)
对于具有敏感数据的分布式机器学习,我们演示了如何最小化原始数据和中间表示之间的距离相关性,从而减少敏感原始数据模式在客户端通信中的泄漏,同时保持模型的准确性。泄漏(使用输入和中间表示之间的距离相关性进行测量)是与中间表示的原始数据的可逆性相关的风险。这可以防止持有敏感数据的客户端实体使用分布式深度学习服务。我们证明了我们的方法对这种重建攻击具有弹性,并且基于在图像数据集的训练和推理过程中减少原始数据和学习表示之间的距离相关性。我们防止这种重建的原始数据,同时保持所需的信息,以维持良好的分类精度。
2020-08-20 cs.DC cs.LG stat.ML
Stability and Convergence of Distributed Stochastic Approximations with large Unbounded Stochastic Information Delays
本文将Borkar-Meyn稳定性定理推广到具有任意矩界信息延迟的分布式随机逼近,通过引入信息年龄过程并利用新的Gronwall型不等式证明稳定性,应用于分布式优化和动量SAs分析。
2023-05-11 cs.DC cs.LG cs.MA