Efficient volume sampling for row/column subset selection
我们给出了有效的算法体积采样,即,用于挑选$k$ -任何给定矩阵的行的子集,其概率与由它们和原点定义的单形的平方体积(或由这些行的子集定义的平行六面体的平方体积)成比例。这解决了一个开放的问题,从专着的频谱算法的Kannan和Vempala。我们的用于体积采样$k$的第一算法-来自$m$ × $n$矩阵的行的子集在$O(kmn^ω \log n)$算术运算中运行,并且其用于$(1+ε)$的第二变体-近似体积采样在$O(mn \log m \cdot k^{2}/ε^{2} + m \log^ω m \cdot k^{2ω+1}/ε^{2ω} \cdot \log(k ε^{-1} \log m))$算术运算中运行,其在输入的大小上几乎是线性的(即,条目数)。我们高效的体积采样算法意味着低秩矩阵近似几个有趣的结果。
2010-04-23 cs.DS
A greedy approximation algorithm for the minimum (2,2)-connected dominating set problem
利用连通支配集(CDS)作为无线传感器网络(WSN)的虚拟骨干网是一种有效的节能和降低广播风暴影响的方法。由于节点可能由于意外损坏或能量耗尽而失效,因此期望虚拟骨干是容错的。这可以被建模为k-连通的m重支配集((k,m)-CDS)。给定一个虚无向网络G=(V,E),如果(i)G[C],由C导出的G的子图是k-连通的,且(ii)V中的每个节点\C在C中至少有m个邻居,则子集C \subset V是G的(k,m)-CDS.我们提出了一个计算(2,2)-CDS的两阶段贪心算法,该算法的渐近逼近因子为$(3+\ln(Δ+2))$,其中$Δ$是G的最大度.该结果改进了针对该问题的$(4+\lnΔ+2\ln(2+\lnΔ))$的先前最佳已知性能因子。
2017-05-26 cs.DS
Upper Bounds for Maximally Greedy Binary Search Trees
在SODA 2009上,Demaine等人提出了二叉搜索树(BST)和平面上点的子集之间的新连接。这种联系是由Derryberry等人独立发现的。作为他们结果的一部分,Demaine等人考虑了GreedyFuture,一种离线BST算法,它可以greetly重新排列搜索路径,以最小化未来搜索的成本。他们证明了GreedyFuture实际上是一个几何视图中的在线算法,并且有一种方法可以将GreedyFuture变成一个在线BST算法,而总搜索成本只增加一个常数因子。Demaine等人证明了该算法是动态最优的,但在他们的论文中没有给出上界。我们证明了第一个非平凡的上界的搜索操作的成本使用GreedyFuture,包括给一个访问引理,发现在Sleator和Tarjan的经典论文splay树。
2011-04-29 cs.DS
Adaptive Greedy Algorithms for Stochastic Set Cover Problems
本文研究了随机集合覆盖问题的自适应贪心算法。在具有完美覆盖的随机集覆盖中,我们给出一个项目集和一个基集B。评估一个项目揭示了它的状态,它是从项目的状态分布中抽取的B的随机子集。假设B中的每个元素都以概率1出现在某个项目的状态中。对于这个问题,我们证明了自适应贪心算法的逼近比H(|B|),|B| th谐波数。在不完全覆盖的随机集合覆盖中,基集中的元素不需要出现在任何项目的状态中。我们从这个问题减少到前一个问题;减少实例的自适应贪心算法具有H(|E|)的近似比,其中E是对(F,e)的集合,使得项目F的状态包含具有正概率的e。
2018-06-15 cs.DS
Column subset selection is NP-complete
令$M$是实$r\times c$矩阵,令$k$是正整数。在列子集选择问题(CSSP)中,我们需要最小化$\|M-SA\|$的数量,其中$A$可以是任意的$k\times c$矩阵,$S$遍历$M$的所有$r\times k$子矩阵.这个问题及其在数值线性代数中的应用已经讨论了几十年,但其算法复杂性仍然是一个悬而未决的问题。我们证明了CSSP是NP完全的。
2017-01-10 cs.CC cs.DS math.CO
Low-rank approximation in the Frobenius norm by column and row subset selection
矩阵$A$的CUR近似是特定类型的低秩近似$A \approx C U R$,其中$C$和$R$分别由$A$的列和行组成。获得这种近似的一种方法是将列子集选择应用于$A$和$A^T$。在这项工作中,我们描述了一个强大的数值和更快的变形列子集选择算法提出的Deshpande和Rademacher,这保证了误差接近Frobenius范数的最佳逼近误差。对于交叉近似,其中$U$需要是由$C$和$R$的交集描述的$A$的子矩阵的逆,我们得到一个新的算法,其误差界保持在最佳秩的因子$k + 1$内- $k$近似误差在Frobenius范数。据我们所知,这是第一个确定性的多项式时间算法,这个因素是有界的多项式在$k$。我们的推导和分析的算法是基于去随机化Zamarashkin和Osinsky最近存在的结果。为了说明我们的新的列子集选择算法的多功能性,低多线性秩张量近似的扩展。
2019-08-16 cs.DS cs.NA math.NA
Subset Selection for Matrices with Fixed Blocks
矩阵的子集选择是从具有$m>n$的给定矩阵$B\in\mathbb{R}^{n\times m}$中提取列子矩阵的任务,使得采样矩阵的伪逆具有尽可能小的Frobenius或谱范数。在本文中,我们考虑一个更一般的问题,子集选择矩阵,允许一个块是固定的开始。在此设置下,我们提供了一个确定性的方法,从$B$中选择一个列子矩阵。我们还提出了一个界的采样矩阵的伪逆的Frobenius和谱范数,表明该界是渐近最优的。证明这一结果的主要技术是由Marcus,Spielman和Srivastava开发的交错多项式族。这个想法也导致了一个确定性的贪婪选择算法,产生的子矩阵,我们的结果承诺。
2020-03-03 cs.DS
Interlacing Polynomial Method for the Column Subset Selection Problem
本文研究列子集选择问题的谱范数版本,利用Marcus-Spielman-Srivastava的交错多项式方法推导出最小近似误差的新上界,并在谱幂律衰减下渐近紧,最后提出确定性多项式时间算法达到该误差界。
2024-01-07 cs.DS math.FA
Improved Pattern-Avoidance Bounds for Greedy BSTs via Matrix Decomposition
Greedy BST(或简称Greedy)是一种在线自调整二叉搜索树,定义在几何视图中([Lucas,1988; Munro,2000; Demaine,Harmon,Iacono,Kane,Patrascu,SODA 2009)。与Splay树(Sleator,Tarjan 1985)一起,Greedy被认为是动态最优的最有希望的候选者,即,从任何初始树开始,它们在任何序列上的访问成本都被证明在离线最优的$O(1)$因子内。然而,在过去的四十年里,这个问题仍然难以捉摸,即使是高度限制的投入。在本文中,我们证明了新的贪婪的成本在“模式回避”制度的界限。我们的新成果包括:Greedy的(前序)遍历猜想支持$2^{α(n)^{O(1)}}$的因子,改进了(Chalermsook等人,FOCS 2015)。这是任何在线BST获得的最知名的界限。我们解决了Greedy的后序遍历猜想。Greedy的deque猜想支持$2^{O(α(n))}$的因子,改进了(Chalermsook等人,WADS 2015)。分裂猜想对贪婪直到因子$O(2^{α(n)})$都成立。所有这些结果的关键是分区(基于输入结构)贪婪的执行日志成几个简单的分析子集,经典的禁止子矩阵的界限可以利用。最后,我们展示了这种技术的适用性,以处理一类越来越复杂的模式,避免输入序列,称为$k$增加序列。作为奖励,我们发现了一类新的置…
2022-11-08 cs.DS
Greedy Heuristics and Linear Relaxations for the Random Hitting Set Problem
本文研究随机击中集问题,分析了Lovász贪心算法在随机输入下的平均性能,并探讨了线性规划与整数规划解之间的完整性间隙。
2023-05-09 cs.DM cs.DS math.OC
Average Case Column Subset Selection for Entrywise $\ell_1$-Norm Loss
University of Washington(华盛顿大学);Carnegie Mellon University(卡内基梅隆大学);Columbia University(哥伦比亚大学)
我们研究了列子集选择问题的条目方面的$\ell_1$-范数损失。已知在最坏的情况下,为了获得对矩阵的良好秩$k$近似,需要任意大的$n^{Ω(1)}$列数来获得对$n \times n$矩阵的最佳逐项$\ell_1$范数低秩近似的$(1+ε)$近似.然而,我们表明,在某些最小和现实的分布设置,它是可能的,以获得一个接近线性的运行时间和聚$(k/ε)+O(k\log n)$列的$(1+ε)$近似。也就是说,我们证明了,如果输入矩阵$A$具有$A = B + E$的形式,其中$B$是任意秩的$k$矩阵,$E$是具有i.i.d.对于任意小的常数$γ> 0$,从存在$(1+γ)$阶矩的任何分布$μ$中提取的项,则可以在近似线性时间内获得对逐项$\ell_1$范数的$(1+ε)$近似列子集选择。相反,我们表明,如果第一时刻不存在,那么它是不可能获得一个$(1+ε)$-近似子集选择算法,即使选择任何$n^{o(1)}$列。这是第一个算法的任何一种实现的$(1+ε)$近似的入口方向$\ell_1$-范数损失低秩近似。
2020-04-16 cs.DS cs.LG stat.ML
On Socially Fair Low-Rank Approximation and Column Subset Selection
Simons Institute for the Theory of Computing(西蒙斯理论计算研究所);UC Berkeley(加州大学伯克利分校);Toyota Technological Institute at Chicago(芝加哥丰田理工学院);Carnegie Mellon University(卡内基梅隆大学);Google Research(谷歌研究院);Texas A&M University(德克萨斯农工大学)
本文研究社会公平的低秩近似与列子集选择问题,证明常数因子近似在标准假设下需指数时间,提出更高效的近似算法并给出多项式时间的双准则近似算法。
2024-12-08 cs.DS cs.LG stat.ML
On Parsimonious Explanations for 2-D Tree- and Linearly-Ordered Data
本文研究了树和线性有序数组数据的“解释问题”,这个问题是由数据库应用程序激发的,最近解决了一维树有序的情况。本文给出了一个矩阵A,它的行和列都有语义:行的特殊子集和列的特殊子集有意义,其他子集没有意义。A中的一个子矩阵被称为有意义的,当且仅当它是一个有意义的行子集和一个有意义的列子集的叉积,在这种情况下,我们称它为“允许矩形”。我们的目标是将A“解释”为加权允许矩形的稀疏和。具体地,我们希望找到尽可能少的加权允许矩形,使得对于所有i,j,a_{ij}等于包括单元(i,j)的所有矩形的权重之和。在本文中,我们考虑的自然情况下,矩阵的维数是树有序或线性有序。在树序的情况下,我们给出一棵有根树T1,它的叶子是A的行,另一棵树T2,它的叶子是列。树的节点以一种明显的方式对应于它们的叶子后代的集合。在线性排序的情况下,一组行或列当且仅当它是连续的时才有意义。对于树型数据,证明了解释问题的NP-Hard性,并给出了一个随机2-近似算法;对于线性数据,证明了解释问题的NP-Hard性,并给出了一个2.56-近似算法。据我们所知,这些是第一个结果的问题稀疏和准确表示矩阵的加权矩形。
2011-01-10 cs.DS
Moore's Greedy Algorithm for Minimizing the Number of Late Jobs: Structure and Implementation
University of Texas at Austin(德克萨斯大学奥斯汀分校)
研究单机截止期限问题$1 \mid\mid \sum U_j$,采用仅插入最短作业优先规则,通过平衡增强二叉搜索树实现$O(n\log n)$时间算法,分析其字典序最优性及组合结构,揭示嵌套拟阵和多拟阵秩函数等特性。
2026-08-20 cs.DS math.OC
New Algorithms for Subset Sum Problem
给定一个n个数的集合(或多集合)S和一个目标数t,子集和问题是判断是否存在S的子集和为t。有几种方法可以解决这个问题,包括穷举搜索,分治法,和贝尔曼的动态规划方法。但是,它们都不能生成通用的、轻量级的代码。在本文中,我们提出了一个新的确定性算法的基础上一种新的数据安排,它可以产生这样的代码,并返回所有的解决方案。如果n足够小,它对于通常的目的是有效的。我们还提出了一个概率版本的单侧误差和贪心算法,它可以产生一个最小化的方差的解决方案。
2018-07-13 cs.DS
Fast Approximation Algorithms for Near-optimal Large-scale Network Monitoring
我们研究了大规模网络中的最优流量预测和监控问题。我们的目标是确定K个链路的哪个子集进行监控,以便“最好”预测网络中剩余链路上的流量。我们考虑几个最优性准则。这可以用公式表示为属于子集选择问题族的组合优化问题。在统计学、机器学习和信号处理中也出现了类似的NP难题。一些包括回归的子集选择,变量选择和稀疏近似。精确解在计算上是不允许的。我们提出了新的算法,以及新的高效算法实现经典的贪婪启发式-通常用于解决这样的组合问题。我们的方法利用连接到主成分分析(PCA),并产生新类型的性能下限,不需要子模块的目标函数。我们表明,集成方法应用到我们的新的随机启发式算法,往往优于经典的贪婪启发式在实践中。我们在几个大规模的网络,包括现实生活中的网络,我们的算法进行评估。
2013-12-03 cs.DS
A Statistical View of Column Subset Selection
Department of Statistics, Stanford University, USA(统计学系,斯坦福大学,美国)
该研究证明列子集选择(CSS)与统计学中的主变量选择方法等价,且均为半参数模型的最大似然估计,推导了高维下CSS的一致性条件,并提出了基于汇总统计量、含缺失/删失数据及假设检验选子集大小的高效CSS方法。
2024-10-21 cs.DS cs.LG stat.ME
Towards a Zero-One Law for Column Subset Selection
University of Washington(华盛顿大学);Carnegie Mellon University(卡内基梅隆大学);Columbia University(哥伦比亚大学)
存在用于低秩近似的NP难版本的许多近似算法,诸如找到使差的绝对值的和最小化的秩- $k$矩阵$B$到给定的$n$乘$n$矩阵$A$,$\min_{\textrm{rank-}k~B}\|A-B\|_1$,或者更一般地找到使差的绝对值的$p$次幂的和最小化的秩- $k$矩阵$B$,$\min_{\textrm{rank-}k~B}\|A-B\|_p^p$。这些算法中的许多是线性时间列子集选择算法,其返回$\mathrm{poly}(k \log n)$列的子集,该子集的成本不超过比最佳秩$k$矩阵的成本大的$\mathrm{poly}(k)$因子。上述误差度量是以下一般逐项低秩逼近问题的特殊情况:给定任意函数$g:\mathbb{R} \rightarrow \mathbb{R}_{\geq 0}$,找到使$\|A-B\|_g = \sum_{i,j}g(A_{i,j}-B_{i,j})$最小化的秩- $k$矩阵$B$.一个自然的问题是哪些功能$g$承认有效的近似算法?事实上,这是最近研究广义低秩模型的工作的一个中心问题。本文给出了近似单调且满足近似三角不等式的$\textit{every}$函数$g$的逼近算法,并证明了这两个条件都是必要的.此外,我们的算法是有效的,如果函数$g$承认一个有效的近似回归算法。我们的近似算法处理甚至不是尺度不变的函数,例如Huber损失函数,我们表明…
2020-04-16 cs.CC cs.DS cs.LG
Optimal Column-Based Low-Rank Matrix Reconstruction
我们证明了,对于任何实值矩阵$X \in \R^{m \times n}$,正整数$r \ge k$,有一个子集的$r$列$X$,使投影$X$到他们的跨度给出了一个$\sqrt{\frac{r+1}{r-k+1}}$ -近似的最佳秩- $k$近似的$X$在Frobenius范数。我们表明,我们实现的列数和近似比之间的权衡是最佳的低阶项。此外,存在一种确定性算法来找到在$O(r n m^ω \log m)$算术运算中运行的列的这样的子集,其中$ω$是矩阵乘法的指数。我们还给出了一个更快的随机算法,运行在$O(r n m^2)$算术运算。
2012-01-04 cs.DS math.SP
Family Column Generation: A Principled Stabilized Column Generation Approach
我们解决的问题,加速列生成(CG)的方法来设置覆盖配方在运筹学。在CG的每次迭代中,我们生成一个对偶解,该解近似地求解了由新生集合中的列的子集组成的所有列上的LP。我们把这个线性规划(LP)称为家族限制主问题(FRMP),它在CG的每次迭代中提供了对主问题的更严格的约束,同时保留了有效的推理。例如,在单源容量限制设施定位问题(SSCFLP)中,与设施$f$和客户集$N_l$相关联的列$l$的族包含与$f$和位于$N_l$的幂集中的客户集相关联的列集。在对偶问题中,采用坐标上升法求解FRMP优化问题。行进方向的生成对应于在与基于现任对偶的给定特定对偶变量的每个族中的降低的最低成本列相对应的列上解决受限主问题,并且容易生成而不解决复杂的定价问题。我们将我们的算法应用于SSCFLP,并证明了两个相关基线的性能改善。
2021-03-28 cs.DS
Generalized Leverage Scores: Geometric Interpretation and Applications
Queen Mary University of London(伦敦玛丽女王大学);Aalto University(阿尔托大学);KTH Royal Institute of Technology(瑞典皇家理工学院)
在涉及矩阵计算的问题中,杠杆的概念有大量的应用。特别是,杠杆分数,它将矩阵的列与其前导奇异向量所跨越的子空间相关联,有助于揭示列子集以近似分解具有质量保证的矩阵。因此,它们为各种机器学习方法提供了坚实的基础。在本文中,我们扩展了杠杆分数的定义,将矩阵的列与奇异向量的任意子集相关联。我们建立了一个精确的列和奇异向量子集之间的连接,通过关联的杠杆分数和子空间之间的主要角度的概念。我们采用这个结果来设计近似算法与可证明的保证两个著名的问题:广义列子集选择和稀疏典型相关分析。我们运行数值实验,以提供进一步的见解所提出的方法。新的界限,我们得到提高我们的理解矩阵近似的基本概念。此外,我们的见解可以作为进一步贡献的基石。
2022-06-16 cs.DS cs.LG
Optimal $\ell_1$ Column Subset Selection and a Fast PTAS for Low Rank Approximation
CMU(卡内基梅隆大学)
研究了逐项$\ell_1$低秩近似问题。我们给出了第一个多项式时间的列子集选择为基础的$\ell_1$低秩近似算法采样$\tilde{O}(k)$列,实现了$\tilde{O}(k^{1/2})$ -近似的任何$k$,改善了以前的最佳$\tilde{O}(k)$ -近似和匹配的先验下界的列子集选择为基础的$\ell_1$ -低秩近似,适用于任何$\text{poly}(k)$列数。我们扩展我们的结果,以获得严格的上界和下界列子集选择为基础的$\ell_p$低秩近似任何$1 < p < 2$,关闭一个长期的工作在这个问题上。接下来,我们给出了一个$(1 + \varepsilon)$近似算法的逐项$\ell_p$低秩近似,$1 \leq p < 2$,这不是一个列子集选择算法。首先,我们得到一个算法,给定一个矩阵$A \in \mathbb{R}^{n \times d}$,在$2^{\text{poly}(k/\varepsilon)} + \text{poly}(nd)$运行时返回一个秩- $k$矩阵$\hat{A}$,使得:$$\|A - \hat{A}\|_p \leq (1 + \varepsilon) \cdot OPT + \frac{\varepsilon}{\text{poly}(k)}\|A\|_p$$其中$OPT = \min_{A_k \text{ rank …
2020-11-16 cs.DS cs.LG stat.ML
pylspack: Parallel algorithms and data structures for sketching, column subset selection, regression and leverage scores
我们提出了并行算法和数据结构的三个基本操作在数值线性代数:(一)高斯和CountSketch随机投影及其组合,(二)计算的革兰氏矩阵和(三)计算的平方行范数的产品的两个矩阵,特别关注“高和瘦”矩阵,这出现在许多应用中。我们提供了一个详细的分析无处不在的CountSketch变换及其与高斯随机投影相结合,占内存需求,计算复杂性和工作负载平衡。我们还演示了如何将这些结果应用于列子集选择,最小二乘回归和杠杆分数计算。这些工具已经在pylspack中实现,pylspack是一个公开可用的Python包(https://github.com/IBM/pylspack),其核心是用C++编写的,并与OpenMP并行化,并且与SciPy和NumPy的标准矩阵数据结构兼容。大量的数值实验表明,所提出的算法的规模以及显着优于现有的库高和瘦矩阵。
2022-08-04 cs.DC cs.DS cs.MS
Low Rank Approximation of Binary Matrices: Column Subset Selection and Generalizations
低秩矩阵逼近是机器学习中的一个重要工具。给定一个数据矩阵,低秩近似有助于找到因子,模式,并提供数据的简洁表示。低秩近似的研究通常集中在实矩阵上。然而,在许多应用中,数据是二进制的(分类的)而不是连续的。这就引出了二元矩阵的低秩近似问题。这里我们给出一个$d \times n$二元矩阵$A$和一个小整数$k$。目标是找到大小分别为$d \times k$和$k \times n$的两个二元矩阵$U$和$V$,使得$A - U V$的Frobenius范数最小化。这个问题有两个模型,取决于二进制向量的点积的定义:$\mathrm{GF}(2)$模型和布尔半环模型。不像实矩阵的低秩近似可以通过奇异值分解有效地解决,二元矩阵的逼近是$NP$ -困难的,即使对于$k=1$。本文研究数据矩阵的$k$列必须构成一个低秩矩阵的列子集选择问题。我们刻画了CSS对二元矩阵的逼近比。对于$GF(2)$模型,我们证明了CSS的逼近比以$\frac{k}{2}+1+\frac{k}{2(2^k-1)}$为界,并且这个界是渐近紧的.对于布尔模型,事实证明CSS不再足以获得边界。然后,我们开发了一个广义CSS(GCSS)的过程中,一个低秩矩阵的列生成的布尔运算公式按位列的数据矩阵。我们证明了GCSS的逼近比受$2^{k-1}+1$的约束,并且对$k$的指数依赖性是固有的。
2017-04-20 cs.CC cs.DS
On Sampling and Greedy MAP Inference of Constrained Determinantal Point Processes
Microsoft Research, India(微软研究院(印度))
子集选择问题要求给定数据的一个小的、多样的但具有代表性的子集。当成对相似性被核捕获时,子矩阵的行列式提供了子集内项目的多样性或独立性的度量。拟阵理论给出了另一个独立性的概念,从而产生了拟阵约束下的行列式点过程(DPP)的优化和采样问题。分区约束,作为一个特殊的情况下,自然出现时,将额外的标签或聚类信息,除了内核,在DPP。在拟阵的行/列指标的约束下寻找最大行列式子矩阵已经在以前研究过。然而,在拟阵约束下从DPP采样的相应问题一直没有得到解决,超出了简单的基数约束的k-DPP。我们给出了第一个多项式时间算法,在分区约束下,对任何常数的分区数,从DPP精确采样。我们补充这一复杂性理论的障碍,排除了这样的结果下一般拟阵的约束。我们的实验表明,分区约束的DPPs提供更大的灵活性和多样性比k-DPPs和他们的天真的扩展,同时在运行时间是合理有效的。我们还表明,一个简单的贪婪初始化,然后局部搜索提供了改进的近似保证的问题,MAP推理从k-DPPs条件良好的内核。我们的实验表明,这种改善是显着的k值较大,支持我们的理论结果。
2016-07-06 cs.DS cs.LG math.PR
Pareto Optimization for Subset Selection with Dynamic Cost Constraints
我们考虑函数$f$的子集选择问题,约束界$B$随时间变化。在子模块优化领域内,通常使用各种贪婪方法。对于动态环境,我们观察到这些贪婪方法的自适应变体无法保持其近似质量。调查最近推出的POMC帕累托优化方法,我们表明,该算法有效地计算一个$ϕ= (α_f/2)(1-\frac{1}{e^{α_f}})$ -近似,其中$α_f$是$f$的子模块比,为每个可能的约束范围$b \leq B$。此外,我们表明,POMC是能够适应它的解决方案迅速的情况下,$B$增加。在社交网络中的影响力最大化问题的实验研究表明,POMC算法优于广义贪心算法。我们还考虑EAMC,一个新的进化算法与多项式期望时间保证保持$ϕ$近似比,和NSGA-II两个不同的人口规模的先进的多目标优化算法,以证明他们的挑战,在优化最大覆盖问题。我们的实证分析表明,在相同数量的评估,POMC是能够执行良好的线性约束下的NSGA-II,而EAMC表现明显不如所有考虑的算法在大多数情况下。
2021-10-10 cs.DS cs.NE
Column Selection via Adaptive Sampling
Global Risk Sciences, Paypal Inc.(PayPal公司全球风险科学部门);Computer Science Dept., Rensselaer Polytechnic Institute(伦斯勒理工学院计算机科学系)
本文提出了一种自适应采样算法,用于改进相对误差列选择算法,理论和实验均证明其在大规模数据矩阵列选择中表现更优。
2015-10-14 cs.DS cs.NA math.NA
Parametric packing of selfish items and the subset sum algorithm
子集和算法是经典装箱问题的自然启发式算法:在每次迭代中,算法在未打包的物品中找到适合新箱子的最大尺寸的物品集。超过35年后,在文献中首次提及,建立这种启发式的最坏情况下的性能仍然是一个悬而未决的问题。由于它们的简单性和直观的吸引力,贪心算法是许多从业者选择的算法。因此,更好地理解简单贪婪算法本身就是一个有趣的话题。最近,Epstein和Kleiman(Proc. ESA 2008)通过证明装箱问题的博弈论版本的强无政府无政府代价正是这种启发式的近似比,提供了另一种研究子集和算法的激励。本文建立了子集和算法的精确逼近比,从而解决了一个长期悬而未决的问题。我们将这个结果推广到装箱问题的参数变体,其中对于某些α \leq 1,项目大小位于区间(0,α]上,对于所有α \leq 1,得到无政府状态的强价格的紧界。最后,我们研究了参数装箱博弈的纯无政府代价,我们证明了所有α \leq 1的几乎紧的上界和下界。
2009-07-24 cs.DS cs.GT
Greedy Sequential Maximal Independent Set and Matching are Parallel on Average
最大独立集(MIS)的贪婪顺序算法以任意顺序遍历顶点,当且仅当没有前一个相邻顶点被添加到结果集中时,将顶点添加到结果集中。在这个循环中,和许多顺序循环一样,每个顶点只直接依赖于先前迭代的子集(即知道任何一个顶点邻居在MIS中,或者知道它没有先前的邻居就足以决定它的命运)。这导致迭代之间的依赖结构。如果这个结构是浅的,那么并行地运行迭代同时尊重依赖性可以导致模仿顺序算法的高效并行实现。在本文中,我们证明了任何图,并为一个随机的顶点排序,顺序贪婪MIS算法的依赖深度是多对数(O(log^2 n)的概率很高)。我们的结果扩展了以前的结果,显示多对数边界的随机图。我们显示了类似的结果,贪婪的最大匹配(MM)。对于这两个问题,我们描述了简单的线性工作并行算法的基础上的方法。这些算法允许在更多的并行性和减少的工作之间进行平滑的权衡,但总是返回与顺序贪心算法相同的结果。我们目前的实验结果表明,效率和工作和并行性之间的权衡。
2012-02-15 cs.DC cs.DS
Tile Packing Tomography is NP-hard
离散层析成像处理从低维投影重建有限空间对象,并且例如在时间表设计中具有应用。在本文中,我们考虑的问题,重建瓷砖包装从其行和列的投影。它由固定瓷砖的不相交副本组成,所有副本都包含在一些矩形网格中。投影表示每行和每列中有多少单元格被平铺覆盖。构造一个满足给定投影的瓦片堆积有多难?已知它可以通过贪心算法求解条形图(宽度或高度为1的图块),并且已知某些特定图块的NP-硬度结果。本文证明了当瓷砖不是一个酒吧时,该问题是NP-难的。
2010-12-21 cs.CC cs.DS
A 1/2-Approximation for Budgeted $k$-Submodular Maximization
本文针对带背包约束的单调 k-次模最大化问题,证明 1-Guess Greedy 算法达到渐近紧的 1/2 近似,并借助连续变换与多线性扩展提出统一分析框架,同时将方法推广至非单调情形及更广泛约束。
2025-07-17 cs.DM cs.DS math.OC
A Study on Modularity Density Maximization: Column Generation Acceleration and Computational Complexity Analysis
本研究针对模块度密度最大化问题,通过将列生成辅助问题转化为稠密子图问题并结合贪心剥离与0--1线性规划重构实现加速,同时证明了相关问题的NP难性,通过真实网络实验验证了算法有效性。
2022-06-22 cs.DM cs.DS cs.SI