Nearly Optimal Sparse Fourier Transform
我们考虑的问题,计算k-稀疏近似的离散傅立叶变换的n维信号。我们展示:* 对于输入信号具有至多k个非零傅立叶系数的情况,是O(k log n)时间随机算法,并且 * 对于一般输入信号,是O(k log n log(n/k))时间随机算法。这两种算法都实现了o(n log n)的时间,因此对于任何k = o(n),都优于快速傅立叶变换。它们是第一个已知的算法,满足这个属性。此外,如果假设快速傅立叶变换是最优的,那么对于任何k = n^{Ω(1)},用于精确k稀疏情况的算法都是最优的。我们补充我们的算法结果表明,任何算法计算稀疏傅立叶变换的一般信号必须使用至少Ω(k log(n/k)/ log log n)的信号样本,即使它被允许执行自适应采样。
2012-04-06 cs.DS
Sublinear Spectral Clustering Oracle with Little Memory
School of Computer Science and Technology, University of Science and Technology of China(中国科学技术大学计算机科学与技术学院);Fudan University(复旦大学);Shanghai Innovation Institute(上海创新研究所)
本文提出亚线性谱聚类Oracle,通过减少内存使用实现子线性时间响应,分析了内存与查询时间的权衡,并通过实验验证了其有效性。
2026-04-16 cs.DS
On the Design of Deterministic Matrices for Fast Recovery of Fourier Compressible Functions
我们提出了一个一般类的压缩感知矩阵,然后证明有相关的次线性时间稀疏近似算法。然后,我们开发的方法来构建专门的矩阵,从这一类是稀疏的乘以离散傅里叶变换矩阵。最终,这些考虑改进了先前的确定性稀疏傅里叶变换方法的采样要求。
2011-05-30 cs.DS cs.NA math.NA
Quantum Pattern Matching with Wildcards
本文针对带通配符的模式匹配问题提出量子算法,在通配符数量为 k 且 k≥√n 时达到 Õ(√n√k) 时间,从而在通配符数量为次线性时实现次线性时间匹配。
2025-07-18 cs.DS
Super-resolution and Robust Sparse Continuous Fourier Transform in Any Constant Dimension: Nearly Linear Time and Sample Complexity
分辨被成像物体的细节的能力,以分辨率命名,是成像系统的核心参数。超分辨率是一种能够提高成像系统分辨率,甚至超越系统衍射极限的技术。尽管在应用中取得了巨大的成功,但在理论方面,特别是对于任何维度的$d \geq 2$,超分辨率还没有得到很好的理解。具体地,为了恢复$k$稀疏信号,所有先前的结果受到聚$(k)$样本或运行时间的任一者/两者的影响。我们在发展稀疏傅里叶变换(Sparse FT)中的一些新技术的基础上,设计了强噪声模型下任意(常)维的鲁棒算法,如鲁棒线性系统的反演、“蛋壳”采样方案以及高维的划分和投票方法。这些算法是第一个实现运行时间和样本复杂度(几乎)线性的源点的数量和对数的带宽为任何恒定的维度,我们相信在工作中开发的技术可以找到他们的进一步应用的超分辨率和稀疏FT问题。
2022-10-12 cs.DS
A Sublinear-Time Quantum Algorithm for Approximating Partition Functions
我们提出了一种新的量子算法估计吉布斯配分函数在次线性时间相对于对数的状态空间的大小。这是第一次在Štefankovi,Vempala和Vigoda [JACM,2009]的开创性近线性时间算法上获得这种类型的加速。我们的结果也保留了二次加速精度和频谱间隙在以前的工作中取得的利用量子马尔可夫链的性质。作为一个应用程序,我们获得了新的多项式改进的最知名的算法计算的伊辛模型的配分函数,计数的$k$ -着色,匹配或独立集的一个图形,并估计凸体的体积。我们的方法依赖于开发量子相位和幅度估计算法的新变体,这些算法返回具有低方差的几乎无偏的估计,并且不破坏它们的初始量子态。我们将这些子程序扩展到一个几乎无偏的量子平均估计,减少方差平方比经典的经验平均更快。在我们的工作之前,没有这样的估计器。这些属性,这是普遍感兴趣的,导致更好的收敛保证内的范例模拟退火计算配分函数。
2023-01-07 cs.CC cs.DS math.ST
Nearly Optimal Private Convolution
我们研究计算一个私人输入$x$与一个公共输入$h$的卷积,同时满足$(ε, δ)$ -差分隐私的保证。卷积是一种基本运算,与傅里叶变换密切相关。在我们的设置中,私人输入可以表示敏感事件的时间序列或机密个人信息数据库的直方图。卷积然后捕获重要的原语,包括线性滤波,这是时间序列分析中的一个重要工具,以及对数据投影的聚合查询。我们给出了一个近似最优的卷积计算算法,同时满足$(ε, δ)$ -差分隐私。令人惊讶的是,我们遵循简单的策略,将独立的拉普拉斯噪声添加到每个傅立叶系数中,并使用Dwork,Rothblum和Vadhan的合成定理来限制隐私损失。我们推导出一个封闭的形式表达的最佳噪声添加到每个傅立叶系数使用凸规划对偶。我们的算法是非常有效的-它基本上是没有更多的计算成本比快速傅立叶变换。为了证明近最优性,我们使用最近的差异下界的Muthukrishnan和Nikolov,并推导出一个谱下界使用的特征差异的决定因素。
2013-01-28 cs.DS
Toeplitz Low-Rank Approximation with Sublinear Query Complexity
我们提出了一个次线性查询算法输出一个接近最佳的低秩近似的任何半正定Toeplitz矩阵$T \in \mathbb{R}^{d \times d}$。特别是,对于任何整数秩$k \leq d$和$ε,δ> 0$,我们的算法对$T$的条目进行$\tilde{O} \left (k^2 \cdot \log(1/δ) \cdot \text{poly}(1/ε) \right )$查询,并输出秩$\tilde{O} \left (k \cdot \log(1/δ)/ε\right )$矩阵$\tilde{T} \in \mathbb{R}^{d \times d}$,使得$\| T - \tilde{T}\|_F \leq (1+ε) \cdot \|T-T_k\|_F + δ\|T\|_F$。这里,$\|\cdot\|_F$是Frobenius范数,$T_k$是$T$的最优秩- $k$近似,通过投影到其顶部$k$特征向量上给出. $\tilde{O}(\cdot)$隐藏了$\text{polylog}(d) $因子。我们的算法是\emph{structure-preserving},因为近似$\tilde{T}$也是Toeplitz。一个关键的技术贡献是证明了任何半正定Toeplitz矩阵实际上有一个接近最佳的低秩近似本身就是Toeplitz。令人惊讶的是,这个基本的存在结果以前并不…
2022-11-21 cs.DS cs.NA math.NA
Constant Approximation of Arboricity in Near-Optimal Sublinear Time
MIT(麻省理工学院);ETH Zurich(苏黎世联邦理工学院)
该研究提出了一种在近最优亚线性时间内计算图树度常数近似的随机算法,解决了之前关于更优近似的开放问题。
2025-12-20 cs.DS
A Robust Sparse Fourier Transform in the Continuous Setting
近年来,一些作品已经研究了在次线性时间内计算傅立叶变换的方法,如果输出是稀疏的。大多数这些都集中在离散设置,即使在许多应用中的输入信号是连续的和朴素的离散化显着的稀疏水平。我们提出了一种算法,用于鲁棒计算稀疏傅立叶变换的连续设置。令$x(t) = x^*(t) + g(t)$,其中$x^*$具有$k$稀疏傅立叶变换,并且$g$是任意噪声项。给定样本访问$x(t)$的一段时间$T$,我们展示了如何找到一个$k$ -傅立叶稀疏重建$x'(t)$与$$\frac{1}{T}\int_0^T |x'(t) - x(t) |^2 \mathrm{d} t \lesssim \frac{1}{T}\int_0^T | g(t)|^2 \mathrm{d}t.$$样本的复杂性是线性的$k$和对数的信噪比和频率分辨率。具有类似样本复杂性的先前结果不能容忍无限小的i.i.d.。高斯噪声,甚至具有更高样本复杂度的算法都以多项式因子增加了噪声。我们也给出了新的结果如何精确的个人频率的$x^*$可以恢复。
2016-09-04 cs.DS
(Nearly) Sample-Optimal Sparse Fourier Transform in Any Dimension; RIPless and Filterless
在本文中,我们考虑了广泛研究的问题,计算一个$k$稀疏近似的$d$维傅立叶变换的长度$n$信号。我们的算法使用$O(k \log k \log n)$样本,是无量纲的,适用于任何宇宙大小,并实现了最强的$\ell_\infty/\ell_2$保证,同时运行时间可与快速傅立叶变换相媲美。与以前的算法,无论是通过限制等距属性或通过过滤功能进行对比,我们的方法提供了一个新的视角稀疏傅立叶变换问题。
2019-09-24 cs.DS cs.IT math.IT
Sublinear Time Low-Rank Approximation of Toeplitz Matrices
本文提出一种次线性时间算法,通过稀疏傅里叶变换和离网恢复技术,实现对带噪半正定托普利茨矩阵的近似最优低秩分解,解决了两个SODA开放问题。
2024-04-21 cs.DS cs.NA math.NA
Text Indexing and Searching in Sublinear Time
我们介绍了第一个索引,可以建立在$o(n)$时间的文本长度$n$,也可以在$o(q)$时间查询的模式长度$q$。在大小为$σ$的字母表上,我们的索引使用$O(n\sqrt{\log n\logσ})$位,在$O(n((\log\log n)^2+\sqrt{\logσ})/\sqrt{\log_σn})$确定性时间内构建,并计算模式在时间$O(q/\log_σn+\log n)$中出现的次数$\mathrm{occ}$。然后可以在$O(\sqrt{\log n\logσ})$时间中找到每个这样的出现。对于任何恒定的$0<\varepsilon<1/2$,通过将空间和构造时间分别稍微增加到$O(n(\sqrt{\log n\logσ}+ \logσ\log^\varepsilon n))$和$O(n\log^{3/2}σ/\log^{1/2-\varepsilon} n)$,我们可以找到$\mathrm{occ}$模式在时间$O(q/\log_σn + \sqrt{\log_σn}\log\log n + \mathrm{occ})$中的出现。我们建立在一个新的文本采样的基础上的差异覆盖,它享有的属性,使我们能够有效地计算最长的共同前缀在恒定的时间。我们扩展我们的研究结果的二级内存模型,以及,在那里我们给的第一个建设$o(\mathit{Sort}(n))$ I/O的数据结构与后缀数…
2019-07-15 cs.DS
Spectral Clustering Oracles in Sublinear Time
给定一个图$G$,它可以被划分成$k$不相交的扩张器,其外电导上界为$ε\ll 1$,我们能否有效地构造一个小空间的数据结构,允许根据它们所属的扩张器(簇)快速地对$G$的顶点进行分类?形式上,我们希望有一个有效的本地计算算法,错误分类在每个扩展器中的顶点的最多$O(ε)$分数。我们将这种数据结构称为\textit{spectral clustering oracle}。我们的主要结果是查询时间$O^*(n^{1/2+O(ε)})$和预处理时间$2^{O(\frac{1}ε k^4 \log^2(k))} n^{1/2+O(ε)}$,提供任何$ε\ll 1/\log k$每个集群的误分类错误$O(ε\log k)$的谱聚类预言机。更一般地说,查询时间可以以适当地增加预处理时间为代价来减少(只要乘积大约是$n^{1+O(ε)}$)--这特别给出了一个接近线性的时间谱聚类原语。主要的技术贡献是一个次线性时间预言机,它通过估计$G$中顶点的短随机游走的分布,提供了对$G$的谱嵌入的点积访问。分布本身提供了一个差的近似谱嵌入,但我们表明,一个适当的线性变换可以用来实现高精度的点积访问。然后,我们表明,点积访问的谱嵌入是足够的设计一个聚类预言机。在一个高层次上,我们的方法相当于超平面分区的频谱嵌入的$G$,但至关重要的是操作上的嵌套序列的仔细定义的子空间的频谱嵌入,以实现每个集群恢复保证。
2021-10-19 cs.DS
Dimension-independent Sparse Fourier Transform
离散傅立叶变换(DFT)是基本的计算原语,并且用于计算DFT的最快已知算法是FFT(快速傅立叶变换)算法。FFT的一个显著特征是其运行时间仅取决于输入向量的大小$N$,而不取决于输入域的维数:FFT在时间$O(N\log N)$中运行,而不管所讨论的DFT是在$\mathbb{Z}_N$上还是在某些$d>1$的$\mathbb{Z}_n^d$上,其中$N=n^d$。稀疏FFT的现有技术,即计算在傅立叶域中至多具有$k$非零值的信号的DFT的问题,是非常不同的:用于稀疏FFT的次线性时间计算的所有当前技术在运行时引起对维度$d$的指数依赖。在本文中,我们给出的第一个算法,计算DFT的$k$稀疏信号在时间$\text{poly}(k, \log N)$在任何维度$d$,避免了灾难的维数固有的所有以前已知的技术。我们的主要工具是一类新的滤波器,我们称之为自适应混叠滤波器:这些滤波器允许使用时域中的$O(k)$样本和每个频率的$O(k\log N)$运行时间,在任何维度$d$中隔离$k$ -傅立叶稀疏信号的频率。我们还研究了输入信号的自然平均情况模型:(1)具有随机系数的傅立叶域中的最坏情况支持和(2)具有最坏情况系数的傅立叶域中的随机位置。我们的技术导致前者的$\widetilde O(k^2)$时间算法和后者的$\widetilde O(k)$时间算法。
2019-02-27 cs.DS
Approximately Counting and Sampling Hamiltonian Motifs in Sublinear Time
本文针对亚线性时间下标准查询模型与增强模型之间的“范围差距”,提出基于均匀采样的框架,首次在标准模型中实现对任意哈密顿模体的近似计数与近均匀采样,并简化了星形、三角形和团簇的已有算法。
2025-03-12 cs.DS
Streaming Space Complexity of Nearly All Functions of One Variable on Frequency Vectors
数据流算法理论中的一个中心问题是确定流上的哪些函数可以近似于次线性空间,特别是次多项式或多对数空间。给定一个函数$g$,我们研究了近似$\sum_{i=1}^n g(|f_i|)$的空间复杂度,其中$f\in\mathbb{Z}^n$是旋转栅门流的频率向量.这是众所周知的频率矩问题的推广,以前的结果只适用于当$g$是单调的或有一个特殊的功能形式。我们的贡献是给出一个条件,使得除了一个狭窄的功能类$g$,有一个空间有效的近似算法的总和当且仅当$g$满足条件。我们能够表征的函数$g$包括所有凸函数、凹函数、单调函数、多项式函数和三角函数等,并且是第一个非单调函数的此类表征。因此,对于几乎所有的函数的一个变量,我们回答了开放的问题,从著名的论文阿隆,马蒂亚斯和Szegedy(1996)。
2016-01-27 cs.DS
Nearly Optimal Quantum Sample Complexity of Learning Fourier-Sparse Boolean Functions
College of Computer and Data Science, Fuzhou University(福州大学计算机与数据科学学院)
该研究针对至多有k个非零傅里叶系数的布尔函数,提出了样本复杂度为\\(\widetilde{O}(k)\\)的量子学习算法,改进了此前的上界,并推导得到紧的经典样本复杂度\\(\Theta(nk)\\)。
2026-10-14 cs.CC cs.DS quant-ph
Sublinear Algorithms for Hierarchical Clustering
Columbia University(哥伦比亚大学);University of Pennsylvania(宾夕法尼亚大学)
图上的层次聚类是数据采掘和机器学习中的一项基本任务,其应用领域包括遗传学、社会网络分析和信息检索。具体来说,我们认为最近流行的目标函数的层次聚类由于Dasgupta。以前的算法(近似)最小化这个目标函数需要线性的时间/空间复杂度。在许多应用中,底层图的大小可能是巨大的,使得即使使用线性时间/空间算法来处理图也在计算上具有挑战性。因此,人们对设计仅使用次线性资源就可以执行全局计算的算法有着浓厚的兴趣。这项工作的重点是研究在三个研究得很好的次线性计算模型下的海量图的层次聚类,这些模型分别关注空间、时间和通信,作为优化的主要资源:(1)(动态)流模型,其中边被呈现为流,(2)查询模型,其中使用邻居和度查询来查询图,(3)MPC模型,其中图边缘在经由通信信道连接的若干机器上被划分。在上述三个模型中,我们设计了层次聚类的次线性算法。在我们的算法结果的核心是一个视图的目标在图中的削减,这使我们能够使用一个轻松的概念削减稀疏做层次聚类,同时只引入一个小的失真的目标函数。我们的主要算法的贡献,然后显示如何削减所需形式的稀疏可以有效地构建在查询模型和MPC模型。我们通过建立几乎匹配的下限来补充我们的算法结果,这些下限排除了在每个模型中设计更好算法的可能性。
2022-06-15 cs.DS cs.LG
Finding forbidden minors in sublinear time: a $n^{1/2+o(1)}$-query one-sided tester for minor closed properties on bounded degree graphs
设$G$是一个顶点数为$n$的无向有界度图。固定一个有限图$H$,并假设必须从$G$中移除$\varepsilon n$边以使其$H$ -minor free(对于某个小常数$\varepsilon > 0$)。我们给出了一个$n^{1/2+o(1)}$时间随机过程,以高概率,发现一个$H$ -未成年人在这样的图。作为一个应用,假设必须从有界度图$G$中去除$\varepsilon n$边以使其成为平面图。该结果意味着在相同的运行时间下,生成$K_{3,3}$或$G$中的$K_5$子程序的算法。没有事先的次线性时间界限是已知的这个问题。利用图的子式定理,对任意的子闭性质,我们得到了类似的结果。直到$n^{o(1)}$因子,这解决了Benjamini-Schramm-Shapira(STOC 2008)关于存在单侧性质测试子的猜想。此外,通过Czumaj等人的$Ω(\sqrt{n})$下限(RSA 2014),我们的算法几乎是最优的。在这项工作之前,已知$H$ -次要游离度的非平凡单侧属性测试仪的唯一图形$H$如下:$H$是森林或循环(Czumaj等人,RSA 2014),$K_{2,k}$,$(k\times 2)$ -网格和$k$ -圆(Fichtenberger等人,Arxiv 2017)。
2018-08-28 cs.DM cs.DS
Sample-Optimal Average-Case Sparse Fourier Transform in Two Dimensions
本文提出了二维sqrt{n} x sqrt {n}网格上稀疏离散傅里叶变换的第一个样本最优次线性时间算法。我们的算法分析/平均情况/信号。对于频谱完全稀疏的信号,我们的算法使用O(k)样本并在O(k log k)时间内运行,其中k是信号的预期稀疏度。对于频谱近似稀疏的信号,我们的算法使用O(k log n)个样本,运行时间为O(k log^2 n);后一种算法适用于k=Theta(sqrt{n})。我们的算法所使用的样本数与相应信号模型的已知下限相匹配。通过已知的约简,当n是小合数的幂(例如,n = 6(t)。
2013-03-05 cs.DS cs.IT math.IT
Sparse Recovery for Orthogonal Polynomial Transforms
在本文中,我们考虑以下稀疏恢复问题。我们可以查询访问向量$\vx \in \R^N$,使得对于某个正交变换$\vF$,$\vhx = \vF \vx$是$k$ -稀疏的(或接近$k$ -稀疏的)。目标是在次线性时间内输出对$\vhx$的近似(在$\ell_2$意义上)。在$\vF$是离散傅立叶变换(DFT)的特殊情况下,这个问题已经得到了很好的研究,并且长时间的工作已经产生了在时间上运行的稀疏快速傅立叶变换$O(k \cdot \mathrm{polylog} N)$。然而,对于DFT以外的变换$\vF$(或类似离散余弦变换的密切相关的变换),这个问题就不那么确定了。在本文中,我们给出了次线性时间算法-运行在时间$\poly(k \log(N))$ -用于解决由正交多项式引起的正交变换$\vF$的稀疏恢复问题。更准确地说,我们的算法适用于任何$\vF$,这是一个正交多项式变换从雅可比多项式。雅可比多项式是经典正交多项式的一大类(包括Chebyshev多项式和Legendre多项式作为特例),广泛应用于数值分析和信号处理等领域。我们的工作的一个警告是,我们需要一个假设的稀疏向量的稀疏结构,虽然我们注意到,随机支持向量有这个属性的概率很高。我们的方法是给一个非常普遍的减少从$k$稀疏稀疏恢复问题的$1$稀疏恢复问题,适用于任何平坦的正交多项式变换,然后我们解决这个一个稀疏恢复问题的变换…
2019-07-19 cs.DS
A Nearly Time-Optimal Distributed Approximation of Minimum Cost $k$-Edge-Connected Spanning Subgraph
最小代价$k$ -边连通生成子图($k$ -ECSS)问题是最小代价生成树(MST)问题的推广和加强.虽然分布式计算后者的轮复杂性已经很好地理解,但前者仍然是开放的,特别是一旦$k\geq 3$。在本文中,我们提出了第一个分布式算法,计算近似的$k$ -ECSS在次线性时间一般$k$。具体地说,我们描述了一个随机分布式算法,在$\tilde{O}(k(D+k\sqrt{n}))$轮,计算$k$ -边连接的生成子图的成本是在一个最佳的$O(\log n\log k)$因素。这里,$n$和$D$分别表示图的顶点数和直径。这个时间复杂度对于任何$k=poly(\log n)$来说几乎是最优的,几乎匹配$\tildeΩ(D+\sqrt{n/k})$的下限。我们的算法是第一个实现次线性轮复杂度为$k\geq 3$。我们注意到,这种情况下是相当多的更具挑战性的研究和充分理解的$k=1$的情况下-更好地称为MST -和密切相关的$k=2$的情况下。我们的算法是基于减少$k$ -ECSS问题的$k$集覆盖的情况下,我们逐渐增加的连接的生成子图。为了解决每个集合覆盖实例,我们结合了新的结构观察最小割与图形素描的想法。在我们的算法中的一个关键成分是一个新的结构引理,使我们能够压缩到一个简洁的表示,这是在一个分散的方式计算图中的所有最小切割的信息。我们希望这种简洁的表示可以在其他计算环境或其他问题中找到…
2022-11-09 cs.DC cs.DS
Sublinear Time Spectral Density Estimation
我们提出了一个新的次线性时间算法来近似的谱密度(特征值分布)的$n\times n$规范化图邻接或拉普拉斯矩阵。该算法在给定样本访问图的情况下,在$O(n\cdot \text{poly}(1/ε))$时间内以Wasserstein-1距离恢复高达$ε$精度的频谱。这一结果对David Cohen-Steiner,Weihao Kong,Christian Sohler和Gregory Valiant(2018)最近的工作表示赞赏,该工作获得了一个与$n$无关的运行时间的解决方案,但在$1/ε$中呈指数增长。我们推测,尺寸依赖性和精度之间的权衡是固有的。我们的方法是简单的,实验效果很好。它是基于Chebyshev多项式矩匹配方法,雇员随机估计矩阵迹。我们证明,对于任何厄米的$A$,这矩匹配方法返回一个$ε$近似的谱密度,只使用$O({1}/ε)$矩阵矢量产品与$A$。通过利用切比雪夫多项式三项递归的稳定性,我们证明了该方法是适合使用粗糙的近似矩阵向量乘积。我们的次线性时间算法如下结合这一结果与一种新的采样算法近似矩阵向量产品与归一化图形邻接矩阵。独立的利益,我们表现出类似的结果,广泛使用的\emph{kernel polynomial method}(KPM),证明这种实用的算法几乎匹配我们的矩匹配方法的理论保证。我们的分析使用的工具,从杰克逊的开创性工作的近似与积极的多项式内核。
2022-04-14 cs.DS cs.NA math.NA
Sample Efficient Estimation and Recovery in Sparse FFT via Isolation on Average
快速计算其频谱由少量$k$频率支配的信号的傅立叶变换并且在时域中使用信号的少量样本的问题(稀疏FFT问题)最近受到了极大的关注。已知如何在$\approx k\log^2 n$时间中近似计算$k$ -稀疏傅立叶变换[Hassanieh等人的“STOC”12],或者在时域中使用样本的最佳数量$O(k\log n)$ [Indyk等人的“FOCS”14],或者同时进入这两个界限的$(\log\log n)^{O(1)}$因子内,但是没有已知在次线性时间中实现最佳$O(k\log n)$界限的算法。在本文中,我们提出了一种新的技术来分析噪声散列方案中出现的稀疏FFT,我们称之为隔离平均。我们将这种技术应用于稀疏FFT中的两个问题:使用少量样本估计频率列表的值和计算稀疏FFT本身,在$k\log^{O(1)} n$时间内实现样本最优结果。我们认为,我们的方法可能会在设计傅立叶采样方案更一般的设置(例如,基于模型的稀疏FFT)的兴趣。
2017-08-17 cs.DS
A (Very) Nearly Optimal Sketch for $k$-Edge Connectivity Certificates
Princeton University(普林斯顿大学)
本文提出动态图流中计算 $k$-连通性证书的简单概要算法,显著降低空间复杂度,并在主要参数范围内达到或极近已知下界。
2025-10-18 cs.DS
Nearly Optimal Bounds for Distributed Wireless Scheduling in the SINR Model
研究了SINR模型下的无线调度问题。更具体地,给定一组$n$链路,每个链路是发送器-接收器对,我们希望将链路划分(或\emph{schedule})为最小数量的时隙,每个时隙满足允许同时传输的干扰约束。在基本问题中,所有的发射机都以相同的均匀功率发射。我们给出了一个分布式的$O(\log n)$ -近似算法的调度问题,匹配的最佳比例已知的集中式算法。它在任意度量空间中对任意长度单调次线性幂分配都成立。它是基于一个算法的Kesselheim和Vöcking,其分析,我们提高了对数因子。我们发现,每个分布式算法使用$Ω(\log n)$插槽调度某些情况下,只需要两个插槽,这意味着最好的绝对性能保证是对数。
2014-04-30 cs.DS cs.NI
Traversing the FFT Computation Tree for Dimension-Independent Sparse Fourier Transforms
我们认为,研究稀疏傅立叶变换问题,其中一个目的是快速恢复近似傅立叶$k$ -稀疏向量$\widehat{x} \in \mathbb{C}^{n^d}$从观察其时域表示$x$。在精确的$k$ -稀疏情况下,最好的已知的维度无关算法在$k$中以接近立方时间运行,并且不清楚是否可能有更快的算法,如在低维度中。除此之外,所有已知的方法要么遭受对维度$d$的指数依赖性,要么只能容忍微不足道的噪声量。这与Cooley和Tukey的经典FFT形成鲜明对比,后者是稳定的,对输入向量的维数完全不敏感:它的运行时间是$O(N\log N)$,在任何维数$d$中,对于$N=n^d$。我们的工作旨在解决上述问题。首先,我们提供了一个翻译/减少正是$k$稀疏FT问题的具体树探索任务,要求恢复$k$叶在一个完整的二叉树在一定的探索规则。随后,我们提供了(a)一个几乎二次的$k$时间算法的这项任务,和(b)证据表明,通过这种方法的稀疏FT的强次二次时间可能是不可能的。我们通过证明稀疏多项式多点评估(经典的非等间距稀疏FT)的条件二次时间下限来实现后者,这是上述翻译中的核心例程。因此,我们的结果相结合,可以看作是一个几乎完整的理解这种方法,这是唯一已知的方法,产生次线性时间维无关的稀疏FT算法。随后,我们提供了我们的算法的鲁棒性,产生一个强大的立方时间算法下有界$\ell_2$噪声。这就需要证明新的结构特性,最…
2023-01-22 cs.DS
Did Fourier Really Meet Möbius? Fast Subset Convolution via FFT
针对子集卷积现有算法因集合函数变换导致实际不可用的问题,提出一种基于 FFT 的快速算法,消除变换需求并保持原运行时间,使高效 FFT 实现的应用成为可能。
2024-04-29 cs.DS
Locally seeded embeddings, and Ramsey numbers of bipartite graphs with sublinear bandwidth
本文依据图带宽刻画二部图的线性 Ramsey 数,证明次线性带宽充分条件并给出近乎最优反例及插值界。
2024-10-25 cs.DM cs.DS math.CO
Estimating the Longest Increasing Subsequence in Nearly Optimal Time
最长递增子序列(LIS)是序列的一个基本统计量,研究了几十年。虽然长度为$n$的序列的LIS可以在时间$O(n\log n)$中精确计算,但是在次线性时间中估计LIS(的长度)的复杂性,特别是当LIS $\ll n$时,仍然是开放的。我们表明,对于任何整数$n$和任何$λ= o(1)$,存在一个(随机)非自适应算法,给定一个序列的长度$n$与LIS $\ge λn$,近似LIS的$1/λ^{o(1)}$的一个因素在$n^{o(1)} / λ$时间。我们的算法大大提高了以前的工作在近似和运行时间方面:(i)我们提供了第一次多项式近似LIS在次线性时间;和(ii)我们的运行时间复杂度基本上匹配平凡的样本复杂度下限的$Ω(1/λ)$,这是需要获得任何非平凡的近似LIS。作为我们的解决方案的一部分,我们开发了两个新的想法,这可能是独立的利益:首先,我们定义了一个新的序列LIS问题,其中每个序列元素可能是真正的或损坏。在这个模型中,用户可以不受限制地访问实际序列,但不知道先验哪些元素是真实的。目标是仅使用真正的元素来估计LIS,并使用最少数量的“重复性测试”。第二个想法,精确森林,使准确的估计组成的一般功能从“粗”(子)估计。精确森林本质上推广了经典的精确采样,它只适用于求和。作为一个核心工具,Precision Forest首先对一组样本进行预处理,然后由算法的多个子部分重复使用,从而提高…
2022-11-01 cs.DS
High-Dimensional Geometric Streaming for Nearly Low Rank Data
本文研究了$\ell_p$子空间近似问题的流算法,提出确定性强核心集构造算法计算$\text{poly}(k, \log n)$近似解,并改进了高维几何流算法的结果。
2024-06-05 cs.DS
Multi-Scale Matrix Sampling and Sublinear-Time PageRank Computation
在Web科学和社会网络分析中的许多应用中出现的基本问题是,给定任意的近似因子$c>1$,输出节点的集合$S$,其以高概率包含至少$Δ$的PageRank的所有节点,并且没有PageRank小于$Δ/c$的节点。我们将此问题称为{ \sc SignificantPageRanks}。我们开发了一个接近最优的,本地算法的问题与运行时的复杂性$\tilde{O}(n/Δ)$网络上的$n$节点。我们发现,任何解决这个问题的算法必须有运行时间的$Ω(n/Δ)$,使我们的算法最佳的对数因子。我们的算法有两个主要的技术贡献。第一个是一个基本的矩阵问题,可能是感兴趣的本身的多尺度采样方案。在抽象矩阵问题中,假设可以通过查询其行来访问未知的{ \em右随机矩阵},其中查询的成本和答案的准确性取决于精度参数$ε$。以$1/ε$的代价命题,查询将返回一个$O(1/ε)$条目及其索引的列表,这些条目提供行的$ε$精度近似值。我们的任务是找到一个集合,该集合包含所有和至少为$Δ$的列,并忽略任何和小于$Δ/c$的列。我们的多尺度采样方案解决了这个问题的成本$\tilde{O}(n/Δ)$,而传统的采样算法将需要时间$Θ((n/Δ)^2)$。我们的第二个主要的技术贡献是一个新的本地算法近似个性化的PageRank,这是更强大的比早期开发的\cite{JehW03,AndersenCL06},是非常有效的,特别…
2013-05-28 cs.DS cs.SI
Nearly Tight Bounds for Exploration in Streaming Multi-armed Bandits with Known Optimality Gap
Indiana University(印第安纳大学);Rice University(莱斯大学);Texas A&M University(德克萨斯农工大学)
研究已知最优性间隙的多趟流式多臂老虎机纯探索问题,证明所需趟数为 $Θ(\log n)$,并给出了相匹配的下界证明与单臂内存算法。
2025-02-03 cs.DS cs.LG
Lempel-Ziv (LZ77) Factorization in Sublinear Time
本研究提出首个亚线性时间LZ77因子分解算法,打破近50年线性时间壁垒,同时构建高效索引解决其在线变体,在字符串处理领域具有重要理论意义。
2024-09-18 cs.DS
Bipartite Matching in Nearly-linear Time on Moderately Dense Graphs
我们提出了一个$\tilde O(m+n^{1.5})$ -时间随机算法的最大基数二部匹配和相关问题(例如转运,负权重最短路径,最优运输)上的$m$ -边,$n$ -节点图。对于中等密度图上的最大基数二分匹配,即$m = Ω(n^{1.5})$,我们的算法在时间上运行几乎与输入大小成线性关系,并且构成了对经典$O(m\sqrt{n})$ -时间算法[Dinic 1970; Hopcroft-Karp 1971; Karzanov 1973]和$\tilde O(n^ω)$ -时间算法[Ibarra-Moran 1981; Mucha-Sankowski 2004](其中当前为$ω\approx 2.373$)的第一次改进。在稀疏图上,即当$m = n^{9/8 + δ}$对于任何常数$δ>0$时,我们的结果改进了[Madry 2013]和[Liu-Sidford 2020 b,2020 a]的最新进展,这些进展实现了$\tilde O(m^{4/3+o(1)})$运行时间。我们得到这些结果,结合和推进最近的研究线内点方法(IPM)和动态图算法。首先,我们简化和改进了[v.d.Brand-Lee-Sidford-Song 2020]的IPM,提供了一个通用的原始-对偶IPM框架和新的基于采样的技术,用于处理近似线性系统求解器引起的不可行性。其次,我们提供了一个简单的次线性时间算法,用…
2021-10-14 cs.DS math.OC
Random Fourier Features for Kernel Ridge Regression: Approximation Bounds and Statistical Guarantees
Tel Aviv University(特拉维夫大学);EPFL(洛桑联邦理工学院);MIT(麻省理工学院)
随机傅立叶特征是扩展核方法(如核岭回归)的最流行技术之一。然而,尽管令人印象深刻的经验结果,随机傅立叶特征的统计特性仍然没有得到很好的理解。在本文中,我们将采取措施填补这一空白。具体而言,我们从谱矩阵近似的角度来处理随机傅立叶特征,给出实现谱近似所需的傅立叶特征的数量上的严格界限,并显示谱矩阵近似的界限如何意味着核岭回归的统计保证。定性地,我们的结果是双重的:一方面,我们表明,随机傅立叶特征近似可以证明在合理的假设下加快核岭回归。与此同时,我们表明,该方法是次优的,从傅立叶空间中的修改后的分布采样,由内核的杠杆函数,产生可证明更好的性能。我们研究了高斯核的最佳采样分布,实现了低维有界数据集的情况下几乎完整的表征。基于此特性,我们提出了一个有效的采样方案,保证优于随机傅立叶特征在这个政权。
2018-05-21 cs.DS cs.LG cs.NA
Semi-Random Sparse Recovery in Nearly-Linear Time
MIT(麻省理工学院);Microsoft Research(微软研究院);Stanford University(斯坦福大学)
稀疏恢复是反问题中最基本和研究最多的问题之一。标准的统计公式的问题可证明解决一般凸规划技术和更实用,快速(近线性时间)迭代法。然而,这些后者的“快速算法”先前已被观察到在各种现实世界的设置是脆弱的。我们研究快速稀疏恢复算法的脆性生成模型的变化,通过研究他们的鲁棒性的镜头,一个“有用的”半随机对手,一个框架,测试算法是否过拟合输入假设。我们考虑下面的基本模型:让$\mathbf{A} \in \mathbb{R}^{n \times d}$是一个测量矩阵,其中包含一个未知的子集行$\mathbf{G} \in \mathbb{R}^{m \times d}$有界,并满足限制等距属性(RIP),但在其他方面是任意的。让$x^\star \in \mathbb{R}^d$是$s$ -稀疏的,并给出精确的测量$b = \mathbf{A} x^\star$或噪声测量$b = \mathbf{A} x^\star + ξ$,我们设计算法恢复$x^\star$信息-理论上最佳地在近线性时间。我们扩展我们的算法,以保持较弱的生成模型放松我们种植RIP假设一个自然的加权变量,并表明我们的方法的保证自然插值的测量矩阵的质量,在某些参数制度,运行在次线性时间。我们的方法不同于以前的快速迭代法与半随机生成模型下的可证明保证:自然条件的子矩阵,使稀疏恢复易于验证的NP-难。我们设计了一个新的迭代法适合于稀…
2022-03-08 cs.DS cs.LG math.OC
Deterministic Sparse Fourier Transform with an ell_infty Guarantee
在本文中,我们重新审视稀疏傅立叶变换问题的确定性版本,它要求只读取$x \in \mathbb{C}^n$的几个条目,并设计一个恢复算法,使算法的输出近似于$\hat x$,$x$的离散傅立叶变换(DFT)。随机情况已经很好地理解,而确定性情况下的主要工作是Merhi等人的工作。(J Fourier Anal Appl 2018),它获得了$O(k^2 \log^{-1}k \cdot \log^{5.5}n)$示例和具有$\ell_2/\ell_1$保证的类似运行时。我们专注于更强的$\ell_{\infty}/\ell_1$保证和密切相关的问题的非相干矩阵。我们的贡献如下。1.我们发现一个确定性的收集$O(k^2 \log n)$样本的$\ell_\infty/\ell_1$恢复时间$O(nk \log^2 n)$,和一个确定性的收集$O(k^2 \log^2 n)$样本的$\ell_\infty/\ell_1$稀疏恢复时间$O(k^2 \log^3n)$。2.我们给出了新的确定性结构的非相干矩阵的DFT矩阵的行采样子矩阵,通过derandomization的伯恩斯坦不等式和边界上的指数和分析数论中考虑。我们的第一个构造与Nelson,Nguyen和Woodruff(RANDOM'12)以前的随机构造相匹配,其中对非相干矩阵的形式没有约束。我们的算法几乎是样本最优的,因为$Ω(…
2020-05-07 cs.DS cs.IT math.IT
Testing Conditional Independence of Discrete Distributions
我们研究了离散分布的\emph{conditional independence}检验问题。具体地说,给定来自域$[\ell_1]\times[\ell_2] \times [n]$上的离散随机变量$(X, Y, Z)$的样本,我们希望以至少$2/3$的概率区分$X$和$Y$在给定$Z$的情况下条件独立的情况与$(X, Y, Z)$是$ε$ -远的情况,在$\ell_1$ -距离中,与具有此属性的每个分布。条件独立性是概率论和统计学中的一个重要概念,在各个科学领域都有广泛的应用。因此,检验条件独立性的统计任务在统计学和计量经济学界以各种形式广泛研究了近一个世纪。也许令人惊讶的是,这个问题以前没有被认为是在分布特性测试的框架,特别是没有测试仪与次线性样本复杂性是已知的,即使是重要的特殊情况下,域的$X$和$Y$是二进制的。本文的主要算法结果是第一个具有{ \em sublinear}样本复杂度的条件独立性测试器,用于$[\ell_1]\times[\ell_2] \times [n]$上的离散分布。为了补充我们的上限,我们证明信息理论的下限,建立我们的算法的样本复杂度是最佳的,常数因子,一些设置。具体来说,对于$\ell_1, \ell_2 = O(1)$时的原型设置,我们证明了测试条件独立性(上限和匹配下限)的样本复杂度为\[ Θ\left({\max\left(n^{1/2}/ε…
2018-07-01 cs.CC cs.DM cs.DS
A Universal Sampling Method for Reconstructing Signals with Simple Fourier Transforms
Tel Aviv University(特拉维夫大学);EPFL(瑞士联邦理工学院);Microsoft Research(微软研究院);Princeton University(普林斯顿大学);Google Research(谷歌研究院)
本文提出了一种通用采样方法,用于通过少量离散样本重建连续信号,该方法基于信号的傅里叶结构约束,并展示了其在多带信号重建和高斯过程回归等任务中的有效性。
2018-12-20 cs.DS cs.LG cs.NA