In the online checkpointing problem, the task is to continuously maintain a set of k checkpoints that allow to rewind an ongoing computation faster than by a full restart. The only operation allowed is to replace an old checkpoint by the current state. Our aim are checkpoint placement strategies that minimize rewinding cost, i.e., such that at all times T when requested to rewind to some time t <= T the number of computation steps that need to be redone to get to t from a checkpoint before t is as small as possible. In particular, we want that the closest checkpoint earlier than t is not further away from t than q_k times the ideal distance T / (k+1), where q_k is a small constant.
Improving over earlier work showing 1 + 1/k <= q_k <= 2, we show that q_k can be chosen asymptotically less than 2. We present algorithms with asymptotic discrepancy q_k <= 1.59 + o(1) valid for all k and q_k <= ln(4) + o(1) <= 1.39 + o(1) valid for k being a power of two. Experiments indicate the uniform bound p_k <= 1.7 for all k. For small k, we show how to use a linear programming approach to compute good checkpointing algorithms. This gives discrepancies of less than 1.55 for all k < 60.
We prove the first lower bound that is asymptotically more than one, namely q_k >= 1.30 - o(1). We also show that optimal algorithms (yielding the infimum discrepancy) exist for all k.
De-amortized Cuckoo Hashing: Provable Worst-Case Performance and Experimental Results
Cuckoo hashing是一个非常实用的动态字典:它提供了摊销常数插入时间,最坏情况下的常数删除时间和查找时间,以及良好的内存利用率。然而,在插入n个元素的过程中,有一个明显的概率,一些插入需要Ω(log n)时间。尽管这种分期保证可能适用于某些应用,但在其他应用(例如高性能路由)中,这是非常不可取的。最近,Kirsch和Mitzenmacher(Allerton '07)提出了一种使用各种保留其吸引人的特性的加密技术的cuckoo hashing的去摊销。Kirsch和Mitzenmacher通过实验结果证明了对布谷鸟散列的最坏情况性能的显着改善,但他们留下了构建具有可证明属性的方案的问题。在这项工作中,我们遵循Kirsch和Mitzenmacher,并提出了一个去摊销的布谷鸟散列,可证明保证恒定的最坏情况下的操作。具体地,对于多项式多个操作的任何序列,在初始化阶段的随机性上具有压倒性的概率,每个操作在恒定时间内执行。我们的理论分析和实验结果表明,该计划是非常有效的,并提供了一个实际的替代方案,只有其他已知的动态字典与这种最坏的情况下的保证,由于Dietzfelbinger和Meyer auf der Heide(ICALP '90)。
排序问题的两个最突出的解决方案是Quicksort和Mergesort。虽然快速排序平均速度非常快,但合并排序还提供了最坏情况的保证,但需要额外的空间来存储线性数量的元素。然而,最坏情况下的有效就地排序仍然是一个挑战:标准解决方案Heapsort存在缓存行为不佳的问题,并且对于缓存内实例来说也不是太快。在这项工作中,我们提出了中位数的中位数QuickMergesort(MoMQuickMergesort),QuickMergesort的一个新的变种,它结合了Quicksort与Mergesort允许后者实施到位。我们的新变体应用中位数的中位数算法选择枢轴,以规避二次最坏的情况。事实上,我们表明,它最多使用$n \log n + 1.6n$比较$n$足够大。我们通过实验证实了理论估计,并表明新算法的性能优于堆排序,并且仅比Introsort(stdlibc++的std::sort实现)慢10%左右,这对最坏情况的保证相当差。我们还模拟了最坏的情况,它只比平均情况慢10%左右。特别是,新算法是一个自然的候选人,以取代堆排序作为一个最坏情况下的塞子在Introsort。
Fully Dynamic Almost-Maximal Matching: Breaking the Polynomial Barrier for Worst-Case Time Bounds
尽管重大的研究工作,国家的最先进的算法,用于保持近似匹配的全动态图具有多项式{最坏情况}的更新时间,即使是非常差的近似保证。在最近的一项突破中,Bhattacharya,Henzinger和Nanongkai展示了如何保持对最小顶点覆盖的恒定近似,从而也保持对最大匹配大小的恒定因子估计,并具有多对数最坏情况更新时间。后来(在SODA'17 Proc.)他们将近似因子一直改进到$2+ε$。然而,长期存在的基本问题{保持}近似匹配与子多项式最坏情况的时间界限仍然开放。我们提出了一个随机算法,以保持一个{几乎最大}匹配的全动态图与多对数最坏情况的更新时间。对于任何$ε> 0$,这种匹配为最大匹配和最小顶点覆盖提供了$(2+ε)$近似。我们的结果独立于Bhattacharya等人的$(2+ε)$近似结果,因此它提供了最小顶点覆盖的第一个$(2+ε)$近似(连同Bhattacharya et al.的结果)和用于最大(积分)匹配的第一$(2+ε)$近似。我们的算法的多对数最坏情况下的更新时间保持确定性,而几乎最大化保证保持高概率。这一结果不仅解决了上述动态匹配问题,而且为动态顶点覆盖(假设唯一对策猜想)提供了本质上最好的近似保证。
Fully Dynamic Spanners with Worst-Case Update Time
图$ G $的$α$ -图是子图$ H $,使得$ H $将$ G $的所有距离保持在因子$ α$内。在本文中,我们给出了完全动态的算法,以保持一个$ H $的图$ G $进行边插入和删除的最坏情况下保证每次更新后的运行时间。特别地,我们的算法保持:(1)具有$ \tilde O (n^{1+1/2}) $边的$3$-带最坏情况更新时间$ \tilde O (n^{3/4}) $,或(2)具有$ \tilde O (n^{1+1/3}) $边的$5$ -带最坏情况更新时间$ \tilde O (n^{5/9}) $。这些尺寸/拉伸的折衷是最好的可能(最多对数因子)。它们可以以很小的成本扩展到加权设置。我们的算法是随机的,正确的概率很高,对一个健忘的对手。我们还进一步扩展了我们的技术,以构建具有次优尺寸/拉伸权衡的$5$扳手,但改进了最坏情况的更新时间。据我们所知,这些是第一个动态的次线性最坏情况下的更新时间的保证,算法。由于已知如何使用小的摊销但大的最坏情况更新时间[Baswana et al. SODA'08]来保持最小值,因此如本文所述,获得具有强最坏情况边界的算法似乎是解决此问题的下一个自然步骤。
在论文“Fast Fibonacci heaps with worst case extensions”中,我们描述了具有Meld-DecreaseKey和DecreaseKey接口的堆,允许保证最坏情况渐近最优时间的操作。这篇文章旨在集中讨论DecreaseKey接口,但是如果不仔细阅读,很难将所描述的两种数据结构分开。本文的目标不是发明一种新的数据结构,而是以一种希望可读的形式描述一个相当简单的DecreaseKey版本。本文件不要求参考其他文件。
Clustering under Local Stability: Bridging the Gap between Worst-Case and Beyond Worst-Case Analysis
最近,人们对聚类研究产生了浓厚的兴趣,这种研究采用了超越最坏情况的方法来分析算法。典型的想法是设计一个聚类算法,输出一个接近最优的解决方案,提供的数据满足自然的稳定性概念。例如,Bilu and Linial(2010)和Awasthi et al.(2012)提出了输出近似最优解的算法,假设最优解在输入距离的小扰动下保持不变。这种方法的一个缺点是,算法通常是根据稳定性假设显式构建的,并且在最坏的情况下没有保证;事实上,最近的几个算法输出任意坏的解决方案,即使只有一小部分数据不满足给定的稳定性概念。在这项工作中,我们以两种方式解决这一问题。首先,我们提供的算法,继承聚类近似算法的最坏情况下的保证,同时保证接近最优的解决方案时,数据是稳定的。我们的算法是对现有最先进的近似算法的自然修改。其次,我们开始研究局部稳定性,这是一个单一的最优集群,而不是整个最优解的属性。我们表明,我们的算法输出所有的最佳集群,满足稳定的局部。具体而言,我们在最近的稳定性概念下,在我们的局部框架中实现了强有力的积极结果,包括度量扰动弹性(Angelidakis et al. 2017)和稳健的扰动弹性(Balcan and Liang 2012),用于$k$ -中位数,$k$ -均值和对称/非对称$k$ -中心目标。
Maximal Biclique Enumeration with Improved Worst-Case Time Complexity Guarantee: A Partition-Oriented Strategy
College of Computer Science, Beijing University of Technology(北京工业大学计算机学院);State Key Laboratory of Novel Software Technology, Nanjing University(南京大学软件新技术国家重点实验室);College of Computing and Data Science, Nanyang Technological University(南洋理工大学计算与数据科学学院)
Discovering Expert-Level Nash Equilibrium Algorithms with Large Language Models
CFCS, School of Computer Science, Peking University, Beijing, China(计算机科学系,北京大学,北京,中国);School of Computing and Data Science, The University of Hong Kong, Pokfulam, Hong Kong(计算与数据科学学院,香港大学,薄扶林,香港)