Efficient Correlation Clustering Methods for Large Consensus Clustering Instances
本文针对大规模共识聚类问题,将 Pivot 算法的时间与空间复杂度从 $O(|V|^2 k)$ 和 $O(|V|^2)$ 分别降至 $O(|V| k)$,并提出采样方法以应对 $k$ 较大的情况,实验证明在小样本上仍能保持高质量聚类结果。
2023-07-07 cs.DS
Correlation Clustering with Noisy Partial Information
Microsoft Research(微软研究院);TTIC(丰田工业大学芝加哥分校);Courant Institute, NYU(纽约大学库朗研究所)
本文提出并研究了任意图G上相关聚类问题的半随机模型。我们给出了两个近似算法,用于相关聚类实例。第一算法以高概率找到值为$(1+ δ) optcost + O_δ(n\log^3 n)$的解,其中$optcost$是最优解的值(对于每个$δ> 0$)。第二个算法找到了具有任意小分类误差$η$的真实聚类(在实例上的一些附加假设下)。
2015-05-12 cs.DS cs.LG
Data-Driven Clustering via Parameterized Lloyd's Families
度量空间中的聚类算法是一个长期研究的研究领域。聚类已经看到了大量的工作,无论是在理论上,在理解近似保证可能为许多目标函数,如k-中位数和k-均值聚类,并在实验上,在寻找最快的算法和播种程序劳埃德算法。给定聚类算法的性能取决于手头的特定应用程序,这可能事先不知道。例如,“典型实例”可以根据应用而变化,并且不同的聚类算法根据实例而不同地执行。在本文中,我们定义了一个无限族的算法推广劳埃德算法,一个参数控制的初始化过程,和另一个参数控制的局部搜索过程。这个算法家族包括著名的k-means++算法,以及经典的最远优先遍历算法。我们设计了高效的学习算法,它从聚类实例的特定于应用程序的分布中接收样本,并从类中学习接近最优的聚类算法。我们发现,最佳参数在MNIST、CIFAR和高斯混合数据集之间存在显著差异。我们学习的算法从来没有比k-means++更差,在一些数据集上我们看到了显着的改进。
2019-05-24 cs.AI cs.DS cs.LG
Clustering under Perturbation Resilience
Carnegie Mellon University(卡内基梅隆大学);Princeton University(普林斯顿大学)
Bilu和Linial~ \cite{BL}提出了一种基于目标的聚类分析方法,该方法假设在对点间距离进行小的乘性扰动的情况下,目标的最优聚类保持不变。希望通过利用这种情况下的结构,可以克服最坏情况下的硬度结果。在本文中,我们在这个框架内提供了几个结果。对于基于中心的目标,我们提出了一个算法,可以最优地聚类实例对因子$(1 + \sqrt{2})$的扰动有弹性,解决了Awasthi等人的一个公开问题。\cite{ABS10}。对于$k$ -中位数,一个中心为基础的目标,特别感兴趣的,我们另外给出了一个更宽松的假设,我们允许最优解的变化在一个小的$ε$分数扰动后的点的算法。我们给出了已知的$k$ -中位数的第一个界限下,这个更现实和更一般的假设。我们还提供了积极的结果,最小和聚类,这通常是一个更难的目标比中心为基础的目标,从近似的角度来看。我们的算法是基于新的连锁标准,可能是独立的利益。此外,我们给出了次线性时间算法,显示算法,可以返回一个隐式聚类只访问一个小的随机样本。
2016-12-11 cs.DS cs.LG
Scalable Algorithms for Individual Preference Stable Clustering
Toyota Technological Institute at Chicago (TTIC)(芝加哥丰田技术学院)
本文提出并分析了个体偏好稳定聚类的局部搜索算法,证明其具有O(log n)稳定性保证,并改进至近线性时间复杂度O~(nk)。
2024-03-15 cs.AI cs.CY cs.DS
Metric Perturbation Resilience
我们研究了Bilu和Linial(2010)以及Awasthi,Blum和Sheffet(2012)引入的扰动弹性概念。一个聚类问题是$α$ -扰动弹性,如果最佳聚类不改变时,我们扰动所有的距离的一个因素,最多$α$。考虑了一类基于中心目标的聚类问题,包括k-均值、k-中值和k-中心等问题,并给出了2-扰动弹性实例聚类的精确算法.我们的结果改进了Balcan和Liang(2016)的结果,他们给出了一种聚类$1+\sqrt{2}\approx 2.41$扰动弹性实例的算法。我们的结果是紧的,因为没有多项式时间算法可以解决$(2-\varepsilon)$扰动弹性实例,除非NP = RP,如Balcan,Haghtalab和White(2016)所示。我们表明,该算法的工作原理的情况下,满足稍弱,更自然的条件比扰动弹性,我们称之为度量扰动弹性。
2016-07-21 cs.DS
Perturbation Resilient Clustering for $k$-Center and Related Problems via LP Relaxations
我们在扰动弹性模型中考虑聚类,该扰动弹性模型自Bilu和Linial [ICS,2010]以及Awasthi,Blum和Sheffet [Inf. Proc. Lett.,2012年]。一个聚类实例$I$被称为是$α$ -扰动弹性,如果最佳解决方案不改变时,成对的距离被修改的一个因素$α$和扰动的距离满足度量属性--这是度量扰动弹性属性引入Angelidakis等。[STOC,2010]和比先前模型更弱的要求。我们做出了两个高级别的贡献。1)我们证明了$k$ -中心和非对称$k$ -中心的自然LP松弛对于$2$ -扰动弹性实例是积分的.我们相信,证明良好的标准LP松弛补充现有的结果是基于组合算法设计的扰动模型。2)我们定义了一个简单的新模型的扰动弹性聚类\emph{outliers}。利用这个模型,我们表明,统一的MST和动态规划的基础上提出的算法Angelidakis等。[STOC,2010]精确地解决了当实例是$2$ -扰动弹性时,针对几个常见的基于中心的目标(如$k$ -中心、$k$ -均值、$k$ -中值)的具有离群值的聚类问题。我们进一步表明,一个自然的LP relationship是不可分割的$2$扰动弹性实例的\kcenter离群。
2018-06-11 cs.DS
Hierarchical Clustering via Sketches and Hierarchical Correlation Clustering
最近,层次聚类(HC)已被认为是通过优化的镜头。特别是,已经定义了两个最大化目标。Moseley和Wang定义了\emph{Revenue}目标来处理由数据点上的加权图给出的相似性信息(w.l.o.g.,$[0,1]$权重),而Cohen-Addad等人定义了\emph{Dissimilarity}目标来处理相异性信息。在本文中,我们证明了这两个目标的结构引理,使我们能够将任何HC树的内部节点数恒定的树,而在每个目标中产生任意小的损失。虽然最著名的近似值分别是0.585和0.667,但使用我们的引理,如果不是所有权重都很小(即,存在常数$ε, δ$,使得小于$δ$的权重的分数至多为$1 - ε$);这样的实例包括许多基于度量的相似性实例,从而改进了现有工作。最后,我们引入层次相关聚类(HCC)来处理同时包含相似性和相异性信息的实例。对于HCC,我们提供了近似值0.4767,对于互补相似性/相异性权重(类似于$+/-$相关性聚类),我们再次提出了接近最佳的近似值。
2021-01-26 cs.DS
DAOC: Stable Clustering of Large Networks
University of Fribourg(弗里堡大学)
聚类是许多涉及分析和探索各种数据的数据采掘系统的重要组成部分。数据多样性要求聚类算法在提供稳定(即,确定性和鲁棒性)的结果。此外,现代系统通常使用大型数据集进行操作,这隐含地限制了聚类算法的复杂性。然而,现有的聚类技术只是部分稳定的,因为它们保证了确定性或鲁棒性。为了解决这个问题,我们介绍了DAOC,一个确定性和凝聚重叠聚类算法。DAOC利用一种称为重叠分解的新技术,以确定性的方式识别细粒度的集群,捕获多个最优值。此外,它利用一种新的共识方法,相互最大增益,以确保鲁棒性,并进一步提高结果的稳定性,同时仍然能够识别微尺度集群。我们在合成网络和真实网络上的经验结果表明,DAOC产生稳定的集群,同时平均比最先进的确定性算法准确25%,而不需要任何调整。我们的方法的目标是大大简化和加快数据分析任务,包括迭代处理(需要确定性)以及数据波动(需要鲁棒性),并提供准确和可重复的结果。
2019-12-17 cs.DS cs.LG cs.SI
BETULA: Numerically Stable CF-Trees for BIRCH Clustering
TU Dortmund University(多特蒙德工业大学)
BIRCH聚类是一种广为人知的聚类方法,它影响了许多后续的研究和商业产品。BIRCH的主要贡献是聚类特征树(CF树),它是输入数据的压缩表示。当新数据到达时,树最终被重建以增加压缩。然后,使用树的叶子进行聚类。由于采用了数据压缩的方法,该方法具有很好的可扩展性。这个想法已经被用于例如k-means,数据流和基于密度的聚类。BIRCH使用的聚类特征是简单的汇总统计量,可以很容易地用新数据更新:点数、线性和和平方值之和。不幸的是,如何在BIRCH中使用平方和很容易导致灾难性的取消。我们引入了一个替换集群功能,它没有这个数值问题,维护成本也不会高得多,而且它使许多计算更简单,因此更有效。这些聚类特征也可以很容易地用于BIRCH的其他工作,例如流数据的算法。在实验中,我们演示了数值问题,并比较了原始算法的性能相比,改进的聚类特征。
2020-06-23 cs.DS cs.LG stat.ML
Differentially Private Algorithms for Clustering with Stability Assumptions
Ben-Gurion University of the Negev(内盖夫本-古里安大学)
本文研究了在输入稳定性假设下的差分私有聚类问题。尽管关于差分隐私的研究越来越多,特别是关于差异隐私聚类的研究,但只有三项研究(Nissim et al. 2007,Wang et al. 2015,Huang et al. 2018)研究了私下聚类“好”k均值实例的问题,这三个都依赖于样本,聚合框架和所有三个测量实用程序在真正的集群中心和返回的中心之间的Wasserstein距离私有算法在这项工作中,我们改进了这一系列的多轴工作。我们提出了一个简单得多的算法聚类稳定的输入(不依赖于样本和聚合框架),并分析其效用的Wasserstein距离和k-means成本。此外,我们的算法有直接的类似物“好”的k-中位数的实例和本地模型的差分隐私。
2021-06-11 cs.DS cs.LG
Min-Sum Clustering (with Outliers)
本文给出了一个常数因子多项式时间伪近似算法,用于最小和聚类。该算法允许排除任意小的常数分数的点。例如,我们展示了如何计算一个解决方案,聚类98\%的输入数据点,并支付不超过一个常数因子乘以聚类99\%的输入数据点的最佳解决方案。更一般地说,我们给出了以下双准则近似:对于任何$\eps > 0$,对于任何实例与$n$输入点和任何正整数$n'\le n$,我们计算在多项式时间的聚类至少$(1-\eps) n'$点的成本最多一个常数因子大于聚类$n'$点的最佳成本。近似保证随$\frac{1}{\eps}$的增加而增加。我们的结果适用于实例的点在实空间中赋予平方欧几里德距离,以及在度量空间中的点,其中的集群的数量,也是尺寸,如果相关的,是任意的(输入的一部分,而不是一个绝对常数)。
2020-11-24 cs.DS
Clustering under Perturbation Stability in Near-Linear Time
在扰动稳定性假设下,研究了低维欧氏空间中基于中心的聚类问题。如果即使所有成对距离受到最多$α$因子的任意扰动,底层最佳集群也继续保持最佳,则实例是$α$稳定的。我们的主要贡献是在提出有效的精确算法$α$ -稳定的聚类实例,其运行时间依赖于近线性的数据集的大小时,$α\ge 2 + \sqrt{3}$。对于$k$ -中心和$k$ -均值问题,我们的算法也实现了对聚类数$k$的多项式依赖,当$α\geq 2 + \sqrt{3} + ε$对于任意固定维数的任意常数$ε> 0$.对于$k$ -中位数,我们的算法在任何固定维度上对$α> 5$的$k$具有多项式依赖性;对于二维的$α\geq 2 + \sqrt{3}$,我们的算法对$k$具有多项式依赖性。我们的算法是简单的,只需要应用技术,如本地搜索或动态规划到一个适当修改的度量空间,结合仔细选择的数据结构。
2020-09-30 cs.CG cs.DS
On the Geometry of Stable Steiner Tree Instances
本文考虑双线性稳定性下的Steiner树问题。我们给强大的几何结构特性,需要满足稳定的情况下。然后,我们利用,并加强,这些几何性质表明,$1.562$稳定的实例,欧几里德斯坦纳树是多项式时间可解的。我们还提供了某些近似算法和斯坦纳树的双线性稳定性之间的联系。
2021-09-28 cs.DS
Generating Satisfiable Benchmark Instances for Stable Roommates Problems with Optimization
Faculty of Engineering and Natural Sciences, Sabanci University(萨班哲大学工程与自然科学学院)
本文提出了一种新算法,用于生成具有大量解的稳定室友问题基准实例,使得通过枚举所有稳定匹配难以找到平等稳定匹配。
2025-07-26 cs.DS
Data Stability in Clustering: A Closer Look
Massachusetts Institute of Technology(麻省理工学院);University of Illinois at Chicago(伊利诺伊大学芝加哥分校)
我们考虑由Bilu和Linial(2010)引入的模型,他们研究了当距离扰动时最优聚类不会改变的问题。他们表明,即使当一个问题是NP-难的,它有时是可能的,以获得有效的算法的实例弹性某些乘法扰动,例如在$O(\sqrt{n})$的顺序最大割聚类。Awasthi et al.(2010)考虑了基于中心的目标,Balcan and Liang(2011)分析了$k$ -中位数和最小和目标,给出了针对某些常数乘法扰动的实例的有效算法。在这里,我们的动机是在多大程度上这些假设可以放松,同时允许有效的算法的问题。我们发现,通过为$k$ -中值和最小和目标提供NP-硬度下限,几乎没有改进这些结果的空间。另一方面,我们表明,常数乘法弹性参数可以如此强大,使聚类问题微不足道,只留下一个狭窄的范围内的弹性参数聚类是有趣的。我们还考虑了加性扰动模型,并给出了加性和乘性稳定性概念之间的对应关系。我们的研究结果提供了一个仔细检查的后果,假设稳定的数据。
2014-08-29 cs.DS cs.LG
Algorithms for Stable Matching and Clustering in a Grid
我们研究了最初由Hoffman、Holroyd和Peres在连续环境中提出的几何稳定婚姻问题的离散版本,其中平面上的点与集群中心稳定匹配,并根据其距离进行优先级排序,以便每个集群中心被分配一组面积相等的点。我们发现,对于一个离散化的问题,$n\times n$网格的像素与$k$中心,这个问题可以解决的时间$O(n^2 \log^5 n)$,我们实验两个速度较慢,但更实用的算法和混合方法,从这些算法之一切换到其他获得更高的效率比单独的算法。我们还展示了如何结合几何稳定匹配的$k$ -手段聚类算法,从而提供一个几何政治选区算法,认为距离在经济方面,我们的实验与加权版本的稳定$k$ -手段,以提高所产生的集群的连接。
2017-04-07 cs.DS
Worst-Case and Smoothed Analysis of the Hartigan-Wong Method for k-Means Clustering
本文证明Hartigan-Wong方法在最坏情况下需指数时间收敛,并在平滑分析框架下给出其期望迭代次数的多项式上界。
2024-01-17 cs.CG cs.DS math.PR
On Randomly Projected Hierarchical Clustering with Guarantees
层次聚类(HC)算法通常限于小数据实例,由于其运行时成本。在这里,我们减轻这一缺点,并探讨快速HC算法的基础上随机预测单(SLC)和平均(ALC)的链接聚类以及最小生成树问题(MST)。我们提出了一个彻底的自适应分析,我们的算法,提高以前的工作从$O(N^2)$的$N/(\log N)^2$的一个因素,为数据集的$N$点在欧几里得空间。该算法保持任意高概率,层次聚类的结果以及最坏情况下的运行时间保证。我们还提出了我们的算法的无参数实例。
2014-01-22 cs.DS cs.IR
The Computational Complexity of Almost Stable Clustering with Penalties
University of Regina(里贾纳大学);University of Waterloo(滑铁卢大学)
本文研究小倍增维度下带惩罚 k-MEANS/k-MEDIAN 的几乎稳定实例,给出多项式可解特例,并在 ETH 下证明精确算法的超多项式下界。
2025-10-03 cs.CC cs.DS cs.LG
Bilu-Linial Stable Instances of Max Cut and Minimum Multiway Cut
我们研究了Bilu和Linial提出的稳定性概念。我们得到了一个精确的多项式时间算法的$γ$稳定的最大割实例与$γ\geq c\sqrt{\log n}\log\log n$的一些绝对常数$c > 0$。我们的算法是鲁棒的:它永远不会返回错误的答案;如果实例是$γ$ -稳定的,它会找到最大切割,否则,它要么找到最大切割,要么证明实例不是$γ$ -稳定的。我们证明了,没有强大的多项式时间算法的$γ$稳定的情况下,最大切割时,$γ< α_{SC}(n/2)$,其中$α_{SC}$是最佳逼近因子的非均匀需求的稀疏切割。我们的算法是基于半定规划。我们证明了最大割的标准SDP松弛(具有$\ell_2^2$三角不等式)是积分的,如果$γ\geq D_{\ell_2^2\to \ell_1}(n)$,其中$D_{\ell_2^2\to \ell_1}(n)$是每个负型$n$点度量空间嵌入到$\ell_1$中的最小失真.在消极的一面,我们表明,SDP弛豫是不完整的,当$γ< D_{\ell_2^2\to \ell_1}(n/2)$。此外,当$γ< α_{SC}(n/2)$时,对于最大割的$γ$稳定实例,不存在易处理的凸松弛。这表明用$γ=o(\sqrt{\log n})$解决$γ$稳定实例可能很困难或不可能。我们的结果显着改善以前已知的结果。最大切割的$γ$稳定实例的最佳已知算法要求$γ\geq …
2013-11-11 cs.DS
Fair Clustering with Multiple Colors
一个公平的聚类实例被赋予一个数据集$A$,其中每个点都被分配了一些颜色。颜色对应于各种受保护的属性,如性别、种族或年龄。公平聚类是其中聚类中的点的成员资格与点的着色无关的实例。特别令人感兴趣的是所有颜色都被平等表示的情况。如果我们正好有两种颜色,Chierrichetti,Kumar,Lattanzi和Vassilvitskii(NIPS 2017)表明,各种$k$聚类目标允许常数因子近似。从那时起,一些后续工作试图将这一结果扩展到多色的情况下,虽然到目前为止,唯一已知的结果要么导致非常数因子近似,仅适用于特殊的聚类目标,如$k$ -中心,产量bicriteria近似,或要求$k$是恒定的。在本文中,我们提出了一个简单的减少从无约束的$k$ -聚类公平的$k$ -聚类的大范围的聚类目标,包括$k$ -中位数,$k$ -手段,和$k$ -中心。减少损失只有一个常数因子的近似保证,标志着第一个真正的常数因子近似的许多这些问题。
2021-03-05 cs.DS
Optimality of Approximate Inference Algorithms on Stable Instances
MIT(麻省理工学院);Northwestern University(西北大学)
结构化预测问题的近似算法-如LP松弛和流行的α-扩展算法(Boykov et al. 2001)-通常远远超过其在现实世界实例中的理论性能保证。这些算法通常会找到非常接近最优的解决方案。本文的目的是部分解释的性能的α-展开和LP松弛算法的MAP推理铁磁Potts模型(FPMS)。我们的主要结果给出了稳定性条件下,这两个算法可证明恢复最优MAP解决方案。这些理论结果补充了许多经验观察良好的性能。
2018-04-23 cs.AI cs.DS cs.LG
Exact Algorithms and Lower Bounds for Stable Instances of Euclidean k-Means
该研究证明加倍度量下(1+ε)-稳定k-Means/Median可通过多交换局部搜索在多项式时间内求解,同时基于新PCP假设证明维度作为输入时稳定k-Means不存在PTAS,给出了稳定聚类问题的算法与复杂度下界。
2024-01-31 cs.DS
Bridging the Gap Between Stable Marriage and Stable Roommates: A Parameterized Algorithm for Optimal Stable Matchings
University of Wisconsin, Milwaukee(密尔沃基威斯康星大学);University of Liverpool(利物浦大学)
本文研究了稳定房间配对问题中最优稳定匹配的计算,定义了结构距离概念,证明该问题在结构距离k下属于固定参数 tractable。
2026-09-02 cs.DS cs.GT math.CO
Solving $(k-1)$-Stable Instances of k-Terminal Cut with Isolating Cuts
k-终端切割问题,也称为多路切割问题,定义在具有称为“终端”的$k$不同顶点的边加权图上。“我们的目标是从图中删除最小权重的边集合,这样任何一对终端之间都没有路径。这个问题是NP难的。隔离切口是将一个端子与其余端子分开的最小切口。所有隔离切割的并集(最大的除外)是最佳k-末端切割的$(2-2/k)$ -近似。这是目前已知的唯一一种不需要求解线性规划的用于k-端子切割的近似算法。一个k-末端切割的实例是$γ$ -稳定的,如果切割中的边最多可以乘以$γ$而不改变唯一的最优解。在本文中,我们表明,在任何$(k-1)$ -稳定的情况下,k-终端切割,源集的隔离切割是唯一的最优解的k-终端切割实例的源集。我们的结论是,$(2-2/k)$近似算法返回的最优解$(k-1)$稳定的情况下。我们是第一个结果表明,这种$(2-2/k)$ -近似是一类特殊的图的精确优化算法。我们还表明,我们的$(k-1)$ -稳定性的结果是紧密的。我们构造了k-终端割问题的$(k-1-ε)$ -稳定实例,这些实例只有平凡的隔离割:也就是说,每个终端的隔离割的源集就是终端本身.因此,$(2-2/k)$近似不返回最优解。
2019-10-02 cs.DS
Bilu-Linial stability, certified algorithms and the Independent Set problem
我们在Bilu和Linial(2010)引入的稳定性概念下研究了最大独立集(MIS)问题:MIS的加权实例是$γ$ -稳定的,如果它有一个唯一的最优解,并且在权重的乘法扰动下保持唯一的最优解至多为$γ\geq 1$。然后,目标是有效地恢复唯一的最优解。在这项工作中,我们解决了稳定的MIS的几个图类的情况下:我们解决了$\widetilde{O}(Δ/\sqrt{\log Δ})$ -稳定的情况下,最大程度的$Δ$图,$(k - 1)$ -稳定的情况下,$k$ -着色图和$(1 + \varepsilon)$ -稳定的情况下,平面图。对于一般的图形,我们提出了一个强有力的下界表明,有没有有效的算法$O(n^{\frac{1}{2} - \varepsilon})$ -稳定的MIS的情况下,假设种植集团猜想。我们还给出了一个$(\varepsilon n)$ -稳定实例的算法。作为我们的技术的一个副产品,我们给出了算法和下界的节点多路切割的稳定实例。此外,我们证明了一个一般性的结果表明,凸松弛的几个最大化问题的完整性差距显着减少稳定的情况下。此外,我们开始了对认证算法的研究,这是Makarychev和Makarychev(2018)最近引入的一个概念,它是一类满足一个关键属性的$γ$近似算法:返回的解对于原始实例的扰动是最优的。我们得到了最大度图上MIS的$Δ$ -证明算法$Δ$,以及…
2021-11-29 cs.DS
Approximate Dual Separation for the Cluster LP: a 1.387-approximation for Correlation Clustering
Universitat Politècnica de Catalunya(加泰罗尼亚理工大学);École Polytechnique(巴黎综合理工学院)
本研究针对完全图相关聚类问题,提出簇线性规划的近似对偶分离方法,结合新取整方案得到1.3865+ε近似算法,改进此前最优结果,将簇线性规划整性间隙限定在[4/3,1.3865]区间。
2026-11-04 cs.DS
Stable Roommates Problem with Random Preferences
具有$n$代理的稳定室友问题在时间和空间上具有最坏情况的复杂性$O(n^2)$。然而,随机实例可以更快地解决,并且使用更少的内存。我们介绍了一种算法,具有平均时间和空间复杂度$O(n^\frac{3}{2})$的随机实例。我们用这个算法来模拟大的情况下,稳定的室友问题,并测量概率$p_n$,大小为$n$的随机实例承认一个稳定的匹配。我们的数据支持推测,$p_n = Θ(n^{-1/4})$。
2015-01-21 cs.CC cs.DS math.CO
Extending Stable and Popular Matching Algorithms from Bipartite to Arbitrary Instances
Institute of Economics, Centre for Economic and Regional Studies (ELTE KRTK KTI)(匈牙利经济研究所区域经济与研究中心)
本文针对稳定室友等任意图实例,将二部图中的最大弱稳定匹配3/2近似算法及流行匹配算法成功扩展,解决了二十余年的开放问题。
2025-10-04 cs.DM cs.DS cs.GT
Mathematical models for stable matching problems with ties and incomplete lists
我们提出了新的整数线性规划(ILP)模型的NP-难优化问题的稳定婚姻问题的关系和不完整的列表(SMTI)和它的多对一的概括,医院/居民问题的关系(HRT)的情况下。这些模型可以用来有效地解决这些优化问题时,应用于(i)从现实世界的应用程序派生的实例,和(ii)随机生成的较大的实例。在SMTI的情况下,我们考虑的情况下产生的配对的儿童与收养家庭,其中的偏好是从每个可能的配对的儿童家庭的质量测量。在这种情况下,我们寻求最大权重稳定匹配。我们提出了新的算法,用于预处理的SMTI与双方的关系,以及新的ILP模型的实例。基于现有最先进模型的算法只能在每个实例一小时内解决22个真实实例中的6个,而我们的新模型在平均60秒的运行时间内解决所有22个实例。对于HRT,我们考虑的情况下,从分配初级医生在苏格兰医院的基础职位的问题。在这里,我们寻求最大尺寸稳定匹配。我们将展示如何扩展我们的模型SMTI的HRT的情况下。对于真实实例,我们将平均运行时间从使用最先进方法时的平均144秒减少到使用基于ILP的新算法时的3秒。我们还表明,我们的模型在较大的随机生成的SMTI和HRT实例上的表现远远优于最先进的模型。
2019-03-17 cs.DS math.OC