Deterministic $(2/3-\varepsilon)$-Approximation of Matroid Intersection Using Nearly-Linear Independence-Oracle Queries
针对拟阵交问题,提出一种确定性$(2/3-\boldsymbol{\text{ε}})$近似算法,通过提前终止现有近似算法实现近线性独立预言机查询次数,并额外给出仅需$O(1/\boldsymbol{\text{ε}})$次遍历的半流式算法。
2025-04-19 cs.DS
Temporal queries for dynamic temporal forests
本文提出线性空间数据结构,在边标签与顶点增删等动态更新下维护有根树时间森林,实现对数多项式最坏时间的时间可达性等查询,并支持一致或任意延迟扩展。
2024-09-27 cs.DS
Faster Estimation of the Average Degree of a Graph Using Random Edges and Structural Queries
University of California, Santa Cruz(加州大学圣克鲁兹分校);Dartmouth(达特茅斯学院)
本文研究图平均度的亚线性估计,利用随机边和对查询等结构查询,在标准模型下实现 $\widetilde{O}(n^{1/4})$ 查询的近乎最优算法,并证明在 $n$ 未知时结构查询无帮助。
2025-10-23 cs.DS
Exact Learning of Multitrees and Almost-Trees Using Path Queries
给定有向图G=(V,E),路径查询path(u,v)返回G中是否存在从u到v的有向路径,对于V中的u,v顶点。在本文中,我们研究了精确学习的查询复杂度的情况下,学习G是可能的使用路径查询。特别是,我们提供了有效的学习算法,以及下界,多树和几乎树,包括蝴蝶网络。
2022-08-08 cs.DS
Non-Adaptive Edge Counting and Sampling via Bipartite Independent Set Queries
我们研究的问题,估计的$n$顶点图中的边的数量,访问通过二分独立集查询模型介绍了Beame等人(ITCS '18)。在此模型中,每个查询返回一个布尔值,指示两个指定节点集之间至少存在一条边。我们提出了一个非自适应算法,返回一个$(1\pm ε)$相对误差近似的边缘数,查询复杂度$\tilde O(ε^{-5}\log^{5} n )$,其中$\tilde O(\cdot)$隐藏$\textrm{poly}(\log \log n)$的依赖关系。这是第一个非自适应算法在此设置实现$\textrm{poly}(1/ε,\log n)$查询复杂性。之前的工作需要$Ω(\log^2 n)$轮的自适应性。我们通过采取一种从根本上不同的方法来避免这种情况,这种方法的灵感来自于单通道流算法的工作。此外,对于常数$ε$,我们的查询复杂度显着提高了最知名的自适应算法,由于Bhattacharya等人。(STACS '22),这需要$O(ε^{-2} \log^{11} n)$查询。基于我们的边缘估计结果,我们给出了第一个非自适应算法,用于输出查询复杂度为$\tilde O(ε^{-6} \log^{6} n)$的几乎均匀采样的边缘,改进了Dell等人(SODA '20)和Bhattacharya等人(STACS '22)的工作,这些工作需要$Ω(\log^3 n)$轮的自适应性。最后,作为我们的边缘…
2022-07-06 cs.DS
Stochastic Vertex Cover with Few Queries
本文研究了随机环境下的最小顶点覆盖问题。设$G$是一个任意给定的图,$p \in (0, 1]$是问题的一个参数,$G_p$是一个随机子图,它以概率$p$独立地包含$G$的每条边.我们不知道$G_p$的实现,但可以通过查询它来了解$G_p$中是否存在边$e$,目标是通过非自适应地查询$G$的几条边来找到$G_p$的近似最小顶点覆盖(MVC).这种随机设置已被广泛研究的各种问题,如最小生成树,拟阵,最短路径和匹配。然而,据我们所知,在我们的工作之前,MVC没有任何重要的界限。在这项工作中,我们提出了一个:* $(2+ε)$ -近似一般图查询$O(\frac{1}{ε^3 p})$边缘每个顶点,和一个 * $1.367$ -近似二分图查询$poly(1/p)$边缘每个顶点。此外,我们表明,在三倍指数依赖于$p^{-1}$的查询次数的费用,近似比可以提高到$(1+ε)$的二分图。我们的技术也导致改进的二分随机匹配的界限。在$1/p$逐顶点查询中,我们得到了一个近似线性的$0.731$ -近似。这是打破$poly(1/p)$查询机制中普遍存在的$(2/3 \sim 0.66)$近似障碍的第一个结果,改进了[Behnezhad等人; SODA'19]和[Assadi和Bernstein; SOSA'19]的算法。
2021-12-10 cs.DS
Finding a Hidden Edge
我们考虑的问题,找到一个隐藏的无向图$G = (V, E)$与$n$顶点的边缘,在一个模型中,我们只允许查询,询问是否包含一个顶点的子集的边缘。我们研究了非自适应模型,并表明,而在确定性模型的最佳算法需要$\binom{n}{2}$查询(即,分别查询任何可能的边),在随机化模型$\tildeΘ(n)$中,查询对于找到边是足够的(并且是需要的)。此外,我们研究了查询复杂性的特定家庭的图,包括明星,集团,和匹配,随机和确定性模型。最后,对于一般的图,我们显示了查询复杂度和轮数之间的权衡,$r$,由自适应算法。我们提出了两个算法与$O(rn^{2/r})$和$\tilde{O}(rn^{1/r})$样本复杂度的确定性和随机模型,分别。
2022-07-05 cs.DS
On the Complexity of Triangle Counting using Emptiness Queries
本研究解决了使用BIS预言机估计三角形的查询复杂度问题,同时证明了更强的EE预言机的相关下界,回应了Beame等人提出的高阶图结构估计开放问题。
2023-05-05 cs.DS
Optimal non-adaptive algorithm for edge estimation
Indian Statistical Institute(印度统计研究所);The Institute of Mathematical Sciences, HBNI(HBNI数学科学研究所)
该研究提出了一种非适应随机算法,通过度数和随机边查询以亚线性复杂度估计无向图的边数,并证明了算法的最优性。
2025-12-12 cs.DS math.CO
Almost Optimal Stochastic Weighted Matching With Few Queries
我们考虑{ \em随机匹配}问题。一个边缘加权将军(即,不一定是二分的)图$G(V, E)$在输入中给出,其中$E$中的每条边以概率$p$独立地{ \em实现};实现最初是未知的,然而,我们能够{ \em查询}边以确定它们是否被实现。目标是仅查询少量边以找到足够接近所有已实现边中的最大匹配的{ \em已实现匹配}。在过去的十年中,由于其在肾脏交换,婚介服务,在线劳动力市场和广告中的众多现实应用,这个问题已经受到了相当大的关注。我们的主要结果是一个{ \em自适应}算法,对于任何任意小的$ε> 0$,发现一个$(1-ε)$ -近似的期望,通过查询每个顶点的$O(1)$边缘。我们进一步表明,我们的方法导致一个$(1/2-ε)$ -近似{ \em非自适应}算法,也查询每个顶点只有$O(1)$边缘。在我们的工作之前,没有非平凡的近似是已知的加权图使用恒定的每顶点预算。最先进的自适应(分别为Maehara和Yamaguchi [SODA 2018]的非自适应)算法实现了$(1-ε)$近似(分别为$(1/2-ε)$ -近似),其中$O(w\log{n})$表示最大整数边权重。我们的结果是一个实质性的改进,这个界限,并有一个吸引人的信息:无论输入图的结构是什么,可以得到任意接近的最优解,通过查询每个顶点只有一个常数数量的边缘。为了获得我们的结果,我们引入新的属性的泛化{ \em增广路径}加权匹配…
2018-05-23 cs.DS
Efficient Farthest-Point Queries in Two-Terminal Series-Parallel Networks
考虑沿着网络边缘的点的连续体,即,一个连接的,无向的图,具有正的边权重。我们用加权最短路径距离来度量这些点之间的距离,称为网络距离。在这个度量空间中,我们研究最远点和最远距离。介绍了一种支持两端串并联网络上最远距离和最远点查询的数据结构。此数据结构支持在$O(n \log p)$构造时间之后的$O(k + \log n)$时间中的最远点查询,其中$k$是最远点的数量,$n$是网络的大小,并且需要$p$并行操作来生成网络。
2015-07-29 cs.DS
Ignorance is Almost Bliss: Near-Optimal Stochastic Matching With Few Queries
随机匹配问题涉及在图中找到最大匹配,该图的边是未知的,但可以通过查询访问。这是随机$k$ -集合包装的特殊情况,其中问题是找到集合的最大包装,每个集合都以某种概率存在。在本文中,我们为这两个问题,分别提供边缘和集合查询算法,可证明实现了一些分数的全知最优解。我们的主要理论结果的随机匹配(即,$2$(set packing)问题是一个\emph{adaptive}算法的设计,该算法对于任意小的$ε>0$,只查询每个顶点的固定数目的边,并获得全知最优解的$(1-ε)$分数。此外,这种自适应算法执行的查询,只有一个常数轮数。我们用\emph{non-adaptive}(即,一轮查询)算法,该算法实现了全知最优的$(0.5 - ε)$分数。我们还扩展我们的结果随机$k$ -集包装设计的自适应算法,实现了$(\frac{2}{k} - ε)$分数的全知最优解,再次只有$O(1)$查询每个元素。这种保证接近于\emph{deterministic} $k$ -集合包装问题的$\frac{3}{k+1} -ε$的最佳已知多项式时间近似比[Furer and Yu,2013]我们经验性地探索了这些算法在肾脏交换问题中的应用(适应),其中终末期肾衰竭患者交换愿意但不相容的供体。我们在生成的数据和来自UNOS全国肾脏交换的前169个匹配运行的真实数据上显示,即使每个顶点的非自适应边缘查询的数量非常少,…
2015-04-29 cs.DS
Decremental Data Structures for Connectivity and Dominators in Directed Graphs
我们引入了一个新的动态数据结构,用于维护强连接组件(SCC)的有向图(有向图)下的边缘删除,以回答丰富的剧目的连接查询。我们的主要技术贡献是一个递减的数据结构,支持敏感性查询的形式“是$ u $和$ v $强连接的图形$ G \setminus w $?“,而$ u, v, w $经历边的删除。我们的数据结构在$O(m n \log{n})$总时间和$O(n^2 \log{n})$空间中处理具有$n$顶点的有向图中的边删除序列,其中$m$是任何删除之前的边的数目,并且在常数时间内回答上述查询。我们可以利用我们的数据结构来获得递减的数据结构,用于在相同的时间和空间复杂度内的更多类型的查询。例如,对于边相关的查询,诸如对于某些查询边$e$,测试两个查询顶点$u$和$v$在$G \setminus e$中是否强连接。作为我们的递减数据结构的另一个重要应用,我们提供了第一个非平凡的算法,用于维护的支配树的流图下的边缘删除。我们提出了一个算法,处理流图中的边删除序列在$O(m n \log{n})$总时间和$O(n^2 \log{n})$空间。对于可约流图,我们给出了一个$O(mn)$ -时间和$O(m + n)$ -空间算法.我们给出了一个有条件的下界,提供证据表明,这些运行时间可能是紧的子多项式的因素。
2017-04-26 cs.DS
Differentially Private Range Query on Shortest Paths
我们考虑差分私有范围查询的图,查询范围被定义为一组边缘上的最短路径的图。图中的边携带敏感属性,目标是报告这些属性在计数查询的最短路径上的总和或瓶颈查询中的最小属性。我们使用差分隐私来确保这些查询答案的发布提供对敏感边缘属性的隐私的保护。我们的目标是开发机制,最大限度地减少与给定的隐私预算报告的答案的添加剂错误。在本文中,我们报告非平凡的结果,私人范围查询的最短路径。对于计数范围查询,对于$\varepsilon$ -DP,我们可以实现$\tilde O(n^{1/3})$的附加误差,对于$(\varepsilon, δ)$ -DP,可以实现$\tilde O(n^{1/4})$的附加误差。我们提出了两种算法,我们控制的最终错误,通过仔细平衡扰动添加到边缘属性直接与扰动添加到范围查询答案的子集(可用于其他范围查询)。瓶颈范围查询更容易,并且可以使用标准技术用多对数加性错误来回答。
2023-03-02 cs.DS
BitPath -- Label Order Constrained Reachability Queries over Large Graphs
在本文中,我们专注于边标记图(如RDF)上的以下约束可达性问题-“给定源节点x,目的节点y和一系列边标签(a,b,c,d),是否存在两个节点之间的路径,使得路径上的边标签满足正则表达式“*a.*”。b.* c.* d.* ".“a”前的“*”允许任何其他边标签出现在边“a”之前的路径上。“a.*“强制至少一个带有标签“a”的边。".*“a”之后的“b”允许在“a”之后和“b”之前有零个或多个边缘标签。我们的查询处理算法使用简单的分治和贪婪修剪过程来限制搜索空间。然而,我们的图索引技术-基于“压缩位向量”-允许索引大型图,否则将是不可行的。我们已经在具有超过2200万条边和600万个节点的图上评估了我们的方法-与当代路径查询工作中使用的数据集相比要大得多。
2012-03-13 cs.DB cs.DS
Dynamic subtrees queries revisited: the Depth First Tour Tree
在动态树问题中,目标是维护任意n顶点森林,其中树分别通过添加和删除边进行连接和分裂。根据应用程序,信息可以与节点或边(或两者)相关联,查询可能需要组合路径或(子)树中的值。在本文中,我们提出了一种新的数据结构,称为深度优先旅游树,基于线性化的DFS访问的树。尽管这种方法很简单,类似于ET树(基于欧拉图),我们的数据结构能够回答与路径和(子)树相关的查询。特别是,专注于子树的计算,我们展示了如何自定义的数据结构,以回答查询三个不同的应用程序:从图中删除一个关节点的影响,介数中心和紧密中心的动态树。
2015-09-22 cs.DS
On Learning Graphs with Edge-Detecting Queries
Technion(以色列理工学院)
我们考虑的问题,学习一个一般的图形$G=(V,E)$使用边缘检测查询,其中的顶点$|V|=n$的数量给学习者。信息论的下界给出了查询数的$m\log n$,其中$m=|E|$是边的数目。如果边数$m$也被给定给学习者,则Angluin-Chen的拉斯维加斯算法\cite{AC08}在$4$轮中运行并检测$O(m\log n)$查询中的边。在另一个更困难的情况下,边$m$的数量是未知的,他们的算法在$5$轮中运行,并询问$O(m\log n+\sqrt{m}\log^2 n)$查询。有两个开放的问题:\emph{(i)}可以查询的数量减少到$O(m\log n)$在第二种情况下,和,\emph{(ii)}可以减少轮数而不实质上增加查询的数量(在两种情况下)。对于第一个开放问题(当$m$是未知的),我们给出了两个算法。第一种是$O(1)$轮Las Vegas算法,它向$m\log n+\sqrt{m}(\log^{[k]}n)\log n$查询任何常量$k$,其中$\log^{[k]}n=\log \stackrel{k}{\cdots} \log n$ .第二个是$O(\log^*n)$轮Las Vegas算法,它询问$O(m\log n)$查询.这解决了任何实际$n$(例如$n<2^{65536}$)的第一个开放问题。我们还表明,没有确定性的算法可以解决这个问题,在一个常数轮数。为…
2018-03-28 cs.DS cs.LG stat.ML
A Simple Sublinear-Time Algorithm for Counting Arbitrary Subgraphs via Edge Sampling
在子图计数问题中,我们给定一个输入图$G(V, E)$和一个目标图$H$ ;目标是估计$H$在$G$中出现的次数。我们在这里的重点是设计次线性时间算法,用于近似计数$H$在$G$中的出现,在该算法被赋予查询访问$G$的设置。这个问题已经在最近的几篇论文中进行了研究,这些论文主要集中在特定的图族$H$上,例如三角形、团和星形。然而,不太了解近似计数任意图$H$。这与密切相关的子图枚举问题形成鲜明对比,后者在数据库社区中受到了极大的关注,如数据库连接问题。AGM界表明,在具有$m$边的图$G$中,任何任意子图$H$的最大出现次数是$O(m^{ρ(H)})$,其中$ρ(H)$是$H$的分数边覆盖,并且具有匹配运行时间的枚举算法对于任何$H$是已知的。我们通过设计一个子线性时间算法来弥合子图计数和子图枚举之间的差距,该算法可以估计$G$中任何任意子图$H$(用$\#H$表示)的数量,使其在$(1\pm ε)$ -近似值范围内。在$O(\frac{m^{ρ(H)}}{\#H}) \cdot poly(\log{n},1/ε)$时间。我们的算法是允许的一般图,即度查询,对查询和邻居查询的标准集,加上一个额外的边样本查询,返回随机均匀选择的边。我们的算法的性能与Eden等人的性能相匹配。[FOCS 2015,STOC 2018]用于计算三角形和团,并在边样本查询的附加假设下将其扩展到子图$H$的…
2018-11-19 cs.DS
Windows into Relational Events: Data Structures for Contiguous Subsequences of Edges
我们考虑分析社交网络数据集的问题,其中网络的边缘具有时间戳,并且我们希望分析这些时间戳的连续子区间中的边缘形成的子图。我们为这些问题提供了数据结构,这些问题使用近线性的预处理时间、线性空间和亚对数查询时间来处理查询,这些查询要求连接组件的数量、包含循环的组件的数量、度等于或至多为某个预定值的顶点的数量、可以通过时间增加路径从顶点的起始集合到达的顶点的数量以及相关查询。
2012-09-25 cs.DS
Graph Connectivity with Noisy Queries
图的连通性是一个基本的组合优化问题,在许多实际应用中,通常使用网络的生成子图进行操作。然而,在现实世界中,链路可能会意外地失败,认为网络不可操作,而检查链路是否损坏是昂贵的,并且可能是错误的。在已经损坏边的任意子集的事件之后,网络运营商必须通过进行尽可能少的检查来使用未损坏的边找到网络的生成树。出于这样的问题,我们研究的问题,在网络中找到一个生成树,当我们只能访问嘈杂的查询的形式“是否存在边缘e?".我们设计了有效的算法,即使当边缘反向失败时,对于所有可能的错误机制;双侧错误(其中任何答案都可能是错误的),误报(其中“否”答案总是正确的)和误报(其中“是”答案总是正确的)。在前两个政权,我们提供了有效的算法,并给出匹配的一般图的下界。在假阴性的情况下,我们设计了有效的算法,为大型有趣的图形(例如有界树宽,稀疏)。使用以前的结果,我们提供了严格的算法,在所有的错误制度的实际有用的家庭的平面图。
2022-09-09 cs.DS
Sublinear Time Hypergraph Sparsification via Cut and Edge Sampling Queries
图或超图的稀疏化问题在保持其割结构的同时得到了广泛的研究,并有许多应用。Benczúr和Karger(1996)在一项开创性的工作中证明了,给定任何$n$ -顶点无向加权图$G$和一个参数$\varepsilon \in (0,1)$,存在一个近线性时间算法,该算法输出$G$的一个大小为$\tilde{O}(n/\varepsilon^2)$的加权子图$G'$,使得$G$中每个割的权重保持在$G'$中的一个$(1 \pm \varepsilon)$ -因子内。图$G'$被称为$G$的{ \em $(1 \pm \varepsilon)$ -近似切割稀疏因子}。最近的后续工作得到了类似的结果,更一般的超图削减稀疏的问题。然而,所有已知的稀疏化算法都需要$Ω(n + m)$时间,其中$n$表示超图中顶点的数量,而$m$表示超图中超边的数量。由于$m$在$n$中可以是指数大的,一个自然的问题是是否可以在$n$中的时间多项式中创建超图割稀疏因子,{ \em独立于边的数量}。我们解决这个问题的肯定,给出了第一次次线性时间算法,这个问题,给出了适当的查询访问超图。
2021-06-18 cs.DS
Sampling an Edge Uniformly in Sublinear Time
次线性算法领域最近受到了广泛的关注。在这种情况下,必须为输入选择特定的访问模型,因为算法没有时间进行预处理,甚至没有时间查看整个输入。一个基本的问题仍然开放的两个常见的模型之间的关系图-访问和不访问“随机边缘”查询-即是否有可能采样的边缘均匀随机模型中没有访问随机边缘查询。在本文中,我们肯定地回答了这个问题。具体来说,我们给出了一个算法解决这个问题,运行在预期的时间$O(\frac{n}{\sqrt{m}} \log n)$。这只是比[5]中给出的下限慢的对数因子。我们的算法使用了[7]中的算法,我们以更仔细的方式分析了该算法,从而在一般图中获得了更好的边界。我们还展示了一种方法来采样边缘$ε$ -接近均匀在预期的时间$O(\frac{n}{\sqrt{m}} \log \frac{1}ε)$,改进了以前已知的最好的算法。我们还注意到,从足够接近均匀的分布中采样边缘足以能够模拟使用随机边缘查询的次线性算法,同时仅将算法的成功概率降低$o(1)$。这允许一个更简单的算法,可以用来模拟随机边缘查询。
2020-09-23 cs.DS
The Arboricity Captures the Complexity of Sampling Edges
在本文中,我们重新审视的问题采样边缘在一个未知的图$G = (V, E)$从分布是(逐点)几乎均匀的$E$。我们考虑的情况下,有一些先验上界的荫$G$。给定查询访问图$G$的$n$顶点和平均度$d$和荫度在最$α$,我们设计了一个算法,执行$O\!\left(\fracα{d} \cdot \frac{\log^3 n}{\varepsilon}\right)$查询的期望,并返回一个边缘的图形,使每一个边缘$e \in E$采样概率$(1 \pm \varepsilon)/m$。该算法执行两种类型的查询:度查询和邻居查询。我们表明,上界是紧的(多对数因子和$\varepsilon$的依赖),因为$Ω\!\left(\fracα{d} \right)$查询是必要的,更容易的任务,从任何分布在$E$是接近均匀的总变距采样边缘。我们还证明,即使$G$是一棵树(即,$α= 1$使得$\fracα{d}=Θ(1)$),$Ω\left(\frac{\log n}{\log\log n}\right)$查询对于从逐点接近均匀的任何分布中采样边是必要的,从而建立$\mathrm{poly}(\log n)$因子对于恒定的$α$是必要的。最后,我们展示了我们的算法如何应用于获得近似计数子图的新结果,基于Assadi,Kapralov和Khanna的最新工作(ITCS,2019)。
2019-02-21 cs.CC cs.DS
Non-monotone Submodular Maximization with Nearly Optimal Adaptivity and Query Complexity
针对非单调次模最大化问题,本文提出首个在基数约束下兼具低自适应轮数与低查询复杂度的常数因子近似算法,实验证明其在减少资源消耗的同时能找到具竞争力的解。
2023-04-07 cs.DS
Optimal Data Structures for Farthest-Point Queries in Cactus Networks
考虑网络边缘上的点的连续体,即,一个连接的,无向的图,具有正的边权重。我们用加权最短路径距离来度量这些点之间的距离,称为网络距离。在这个度量空间中,我们研究最远点和最远距离。我们介绍了最佳的数据结构支持查询的最远距离和最远点的树,循环,单循环网络,仙人掌网络。
2014-11-07 cs.CC cs.DS
Nearly Optimal Internal Dictionary Matching
The Chinese University of Hong Kong, Shenzhen(香港中文大学(深圳));Massachusetts Institute of Technology(麻省理工学院);Feicheng Hailiang Foreign Language School(费城海亮外国语学校);Tsinghua University(清华大学)
提出一种名为基本子串结构(BASS)的O(n)大小数据结构,用于内部字典匹配问题,在近乎最优的查询和预处理时间内处理所有查询类型,包括CountDistinct、Count和ReportDistinct查询的加速。
2026-07-02 cs.DS
Optimal decremental connectivity in planar graphs
我们提出了一个算法,在一个无向平面图的连通性信息的动态维护受到边缘删除。我们的算法可以回答以下形式的连通性查询:“顶点$u$和$v$是否与路径相连?在恒定的时间内查询可以与任何边缘删除序列混合,并且算法在$O(n)$时间内处理所有更新。该结果优于先前已知的$O(n \log n)$时间算法。
2014-09-25 cs.DS
Connectivity Oracles for Planar Graphs
本文研究平面图的动态子图连通性问题。在这个模型中,有一个固定的底层平面图,其中每个边和顶点要么是“关闭”(失败),要么是“打开”(恢复)。我们希望回答关于“on”子图的连通性查询。该模型有两个自然变体,一个是在所有连接查询之前存在$d$边/顶点故障,另一个是故障/恢复和查询混合在一起。我们提出了一个$d$ -故障连通性甲骨文平面图,处理任何$d$边/顶点故障在$sort(d,n)$时间,使连接查询可以回答在$pred(d,n)$时间。(Here $sort$和$pred$是在大小为$d$的$[n]$子集上进行整数排序和整数前导搜索的时间。)我们的算法有两个离散部分。第一个算法是针对三连通平面图的。它利用了巴内特定理,该定理指出每个三连通平面图都包含一个3度生成树。第二部分是从一般平面图到三连通平面图的一般约化。此外,我们的算法是可证明的最佳。Patrascu和Thorup关于前趋搜索的下限的含义是没有$d$ -故障连通性预言机(甚至在树上)可以击败$pred(d,n)$查询时间。我们将我们的算法扩展到子图连接模型,其中边/顶点故障(但没有恢复)与连接查询混合在一起。在三连通平面图中,每个故障和查询都在$O(\log n)$时间内处理(摊销),而在一般平面图中,两个边界都变成了$O(\log^2 n)$。
2012-04-23 cs.DS
More Hierarchy in Route Planning Using Edge Hierarchies
在网络(特别是道路网络)中进行路线规划的一个非常成功的方法是在网络中识别一个层次结构,该层次结构允许在一些预处理之后进行更快的查询,这些预处理基本上是将额外的“捷径”边插入到图中。在过去,已经有一系列的技术,推断越来越细粒度的层次结构,使越来越高效的查询。这似乎最终在收缩层次结构中为每个顶点分配一个层次级别。在本文中,我们将展示如何识别一个更细粒度的层次结构,为网络的每个边缘分配一个级别。我们的研究结果表明,就访问边缘而言,这可能会导致相当小的搜索空间。目前,这很少意味着改进查询时间,因此边缘层次结构是否可以持续提高性能仍然是一个悬而未决的问题。然而,我们认为,这种技术本身是对现有技术组合的一种值得注意的丰富,将来可能证明是有用的。
2019-09-10 cs.DS
Cut-Equivalent Trees are Optimal for Min-Cut Queries
最小割查询是基本的:预处理无向边加权图,以快速报告分离节点$s,t$的查询对的最小权重割。对于这个问题,已知的最好的数据结构只是建立一个割等价树,这是60年前由Gomory和Hu发现的,他们还展示了如何使用$n-1$最小$st$割计算来构建它。使用用于最小$st$切割的现有技术算法(Lee和Sidford,FOCS 2014)arXiv:1312.6713,可以在时间$\tilde{O}(mn^{3/2})$中构建树,该时间也是数据结构的预处理时间。(在整个过程中,我们专注于多项式有界的边权重,注意到对于小/单位边权重,已知更快的算法。我们的主要结果显示了以下等价性:割等价树可以在近线性时间内构造,当且仅当有一个数据结构的Min-Cut查询与近线性的预处理时间和多对数(摊销)查询时间,即使查询被限制到一个固定的源。也就是说,等价树是Min-Cut查询的基本最优解。这种等价性甚至对于每个小闭图族都成立,例如有界树宽图,对于该图族,二十年前的数据结构(Arikati et al.,J.~ Algorithms(1998)暗示了割等价树的第一个近似线性时间构造。此外,与以前所有的技术,用于构建割等价树,我们是强大的依赖于近似算法。特别地,使用用于$(1+ε)$ -近似最小$st$ -切割的几乎线性时间算法(Kelner等人,SODA 2014),我们可以在时间$n^{2+o(1)}$上构…
2020-09-13 cs.DS
Efficient Deterministic Quantitative Group Testing for Precise Information Retrieval
定量组测试(QGT)是关于使用查询序列来学习某个大域$N$的(隐藏)子集$K$,其中查询的结果提供关于查询与未知子集$K$的交集的大小的信息。几乎所有以前的工作都集中在随机算法,最大限度地减少查询的数量,但是,在大型域$N$的情况下,随机化可能会导致从预期的精度显着偏差。其他假设无限的计算能力(存在的结果)或查询的适应性。在这项工作中,我们提出了高效的非自适应确定性QGT算法构造查询和解构隐藏集$K$从查询的结果,而不使用随机化,自适应或无限的计算能力。效率是三倍。首先,在几乎最优的查询数量方面-我们通过与以前的建设性结果相比几乎$|K|$的因素来改进它。其次,我们的算法构造的查询和重建集$K$在多项式时间。第三,它们适用于任何隐藏集$K$,以及多集,即使查询的结果被限制在$\sqrt{|K|}$。我们还分析了元素在查询中出现的频率及其对查询系统的并行化和容错性的影响。
2022-04-20 cs.DS
Learning Low Degree Hypergraphs
Columbia University(哥伦比亚大学)
研究通过边检测查询学习超图的问题,针对超匹配和低度近均匀超图提出了多项式查询复杂度的自适应与非自适应算法,突破了指数级查询复杂度限制。
2024-12-20 cs.DS cs.LG
Predicting Signed Edges with $O(n^{1+o(1)} \log{n})$ Queries
社交网络和社交媒体中的互动涉及积极和消极的关系。有符号图捕捉两种类型的关系:正边对应于成对的“朋友”,负边对应于成对的“敌人”。\em边符号预测问题是一个重要的图挖掘任务,其目标是预测一对节点之间的交互是正的还是负的,为此最近提出了许多算法\cite{leskovec2010predicting,leskovec2010signed}。受社会平衡理论的启发,我们将边缘符号预测问题建模为两个聚类的噪声相关聚类问题。我们可以查询每对节点是否属于同一个集群,但是查询的答案有一定的概率被破坏了$0<q<\frac{1}{2}$。设$c=\frac{1}{2}-q$为间隙。我们提供了一个算法,恢复聚类与高概率的噪声存在下,任何恒定的间隙$c$与$O(n^{1+\tfrac{1}{\log\log{n}}}\log{n})$查询。我们的算法使用简单的广度优先搜索作为其主要的算法原语。最后,我们提供了一个新的概括$k \geq 3$集群,并证明我们的技术可以恢复的聚类,如果在这个广义的设置间隙是恒定的。
2016-10-04 cs.DM cs.DS cs.SI
Kirchhoff Index As a Measure of Edge Centrality in Weighted Networks: Nearly Linear Time Algorithms
大多数以前的工作集中在顶点重要性的度量和确定强大的顶点的方法,而边缘的相关工作要少得多,特别是加权网络,由于计算的挑战。在本文中,我们提出使用著名的基尔霍夫指数作为衡量加权网络中的边缘中心性,称为$θ$ -基尔霍夫边缘中心性。网络的基尔霍夫指数定义为所有顶点对上的有效电阻之和。边缘$e$的中心性反映在当边缘$e$被部分去激活时网络的基尔霍夫指数的增加中,其特征在于参数$θ$。定义了$θ$ -Kirchhoff边中心性的两个等价测度。两者都是全局度量,并且基于网络的局部或部分结构信息,例如边缘介数和跨越边缘中心性,具有比常用度量更好的鉴别能力。尽管Kirchhoff指标作为中心性度量具有很强的优势和广泛的应用,但计算图中每条边的Kirchhoff边中心性的精确值需要大量的计算。为了解决这个问题,对于每个$θ$ -Kirchhoff边缘中心性度量,我们提出了一种有效的算法来计算其$ε$ -在$m$中在近线性时间内所有$m$边缘的近似值。建议的$θ$ -Kirchhoff边缘中心是第一个全球性的边缘重要性度量,可以证明近似在近线性时间。此外,根据$θ$ -Kirchhoff边中心度,提出了一种$θ$ -Kirchhoff顶点中心度度量,并给出了一种在$m$中在近似线性时间内计算所有$n$顶点的$ε$ -近似Kirchhoff顶点中心度的快速算法.
2018-01-14 cs.DS cs.SI
Online Edge Coloring is (Nearly) as Easy as Offline
本文在对抗性边到达的最一般在线模型下证明$(1+o(1))Δ$-边着色猜想,并将结果推广到在线列表边着色与局部边着色。
2024-02-28 cs.DS
Nearly Optimal Separation Between Partially And Fully Retroactive Data Structures
自SODA 2004引入追溯数据结构以来,一个未解决的主要问题是限制最佳部分追溯数据结构(可以对过去进行更改,但只能查询现在)和最佳完全追溯数据结构(也可以查询过去)之间的差距。在2004年证明,任何具有操作时间$T(n,m)$的部分回溯数据结构都可以转换为具有操作时间$O(\sqrt{m} \cdot T(n,m))$的完全回溯数据结构,其中$n$是数据结构的大小,$m$是时间轴中的操作数量[Demaine 2004],但14年来这种差距是否必要一直没有定论。在本文中,我们证明了几乎匹配的上限和下限上的差距,所有$n$和$m$。我们改进了$n \ll \sqrt m$的上限,显示了一个新的转换与乘法开销$n \log m$。然后,我们证明了一个下界的$\min\{n \log m, \sqrt m\}^{1-o(1)}$假设任何以下的constructures:-猜想一:电路SAT需要$2^{n - o(n)}$时间$n$ -输入电路的大小$2^{o(n)}$。(Far弱于广为人知的SETH猜想,该猜想断言具有$n$变量和$O(n)$子句的CNF SAT已经需要$2^{n-o(n)}$时间。)- 猜想II:整数$n\times n$矩阵和$n$向量之间的在线$(\min,+)$乘积需要$n^{3 - o(1)}$时间。- 猜想III(3-SUM猜想):给定三个整数集合$A,B,C…
2018-04-25 cs.DS
Quasi-polynomial Algorithms for List-coloring of Nearly Intersecting Hypergraphs
一个在$n$顶点和$m$边上的超图$\mathcal{H}$称为{ \it近交},如果$\mathcal{H}$的每条边与所有但至多多对数地(在$m$和$n$中)多条边相交。给定颜色列表$\mathcal{L}(v)$,对于每个顶点$v\in V$,如果每个顶点可以从其列表中分配一种颜色,使得$\mathcal{H}$中没有边是单色的,则称$\mathcal{H}$是$\mathcal{L}$ -(列表)可着色的。我们证明,任何几乎相交超图以及从一组恒定大小的列表中绘制的列表的列表可着色性都可以在$m$和$n$中在准多项式时间内检查。
2019-04-04 cs.CC cs.DS
Tight Lower Bounds for Central String Queries in Compressed Space
Max Planck Institute for Informatics(马克斯·普朗克信息学研究所)
该研究推导了压缩空间下几乎所有基础字符串查询的紧下界,确立了查询最优时间复杂度的二分性,完善了压缩索引的理论基础,为后续数据结构研究指明方向。
2025-10-22 cs.DS
Nearly optimal independence oracle algorithms for edge estimation in hypergraphs
研究仅通过独立性或彩色独立性预言机访问超图的查询模型,提出近似计算超图边数的算法,并无条件证明其最坏情况查询成本达到近似最优下界。
2024-04-26 cs.CC cs.DS
Fast and simple connectivity in graph timelines
在本文中,我们研究的问题回答连接查询的\emph{graph timeline}。图时间轴是在大小为$n$的公共顶点集上的无向图$G_1,\ldots,G_t$的序列,使得每个图通过添加或删除单个边从前一个图获得。我们提出的数据结构,预处理的时间轴,可以回答以下查询:- forall $(u,v,a,b)$ -路径$u\to v$存在于每个$G_a,\ldots,G_b$?- exists $(u,v,a,b)$ --路径$u\to v$是否存在于任何$G_a,\ldots,G_b$中?- forall 2 $(u,v,a,b)$ --在每个$G_a,\ldots,G_b$中是否存在连接$u$和$v$的两条边不相交路径我们展示了在$O(m+t\log n)$时间中预处理后,可以在$O(\log n)$时间中回答forall和forall 2查询的数据结构。这里,我们用$m$表示时间轴的每个图中保持不变的边的数量。对于存在查询的情况下,我们展示了如何扩展现有的数据结构,以获得预处理/查询权衡$\langle O(m+\min(nt, t^{2-α})), O(t^α)\rangle$,并显示匹配的条件下限。
2015-06-09 cs.DS
The power of adaptivity in source identification with time queries on the path
我们研究的问题,确定一个随机扩散过程的源扩散图的基础上的到达时间的扩散在几个查询节点。在图$G=(V,E)$中,随机均匀地绘制未知源节点$v^* \in V$,并且独立于平均值$1$和方差$σ^2$的高斯分布来绘制表示沿边缘的传播延迟的$e\in E$的未知边缘权重$w(e)$。然后,算法尝试通过查询节点$q \in V$并被告知由$w$加权的图$G$中的$q$和$v^*$之间的最短路径的长度来识别$v^*$。我们考虑两种设置:非自适应的,其中所有的查询节点必须事先决定,和自适应的,其中每个查询可以依赖于前一个的结果。这两种设置的动机是应用程序的问题,流行病的过程(其中的源被称为零号病人),我们详细讨论。当$G$是$n$ -节点路径时,我们刻画了查询复杂度,在非自适应设置下,对于$σ^2 \leq 1$需要$Θ(nσ^2)$查询,对于$σ^2 \geq 1$需要$Θ(n)$查询.在自适应设置中,有些令人惊讶的是,当使用$σ^2 \leq 1/2$时仅需要$Θ(\log\log_{1/σ}n)$,而当使用$σ^2 \geq 1/2$时仅需要$Θ(\log \log n)+O_σ(1)$。这是第一个数学研究的源识别与时间查询的非确定性扩散过程。
2021-12-29 cs.DS
Single-Source Regular Path Querying in Terms of Linear Algebra
针对双向正则路径查询在真实图上的性能瓶颈,提出基于广度优先搜索、借助线性代数的单源正则路径查询算法,集成至LAGraph并通过多类实验验证其性能优势。
2025-06-16 cs.DS
Hyperedge Estimation using Polylogarithmic Subset Queries
在这项工作中,我们估计的超边数在超图${\cal H}(U({\cal H}), {\cal F}({\cal H}))$,其中$U({\cal H})$表示的顶点集和${\cal F}({\cal H}))$表示的超边集。我们假设一个查询oracle访问超图${\cal H}$。估计图中的边、三角形或小子图的数目是一个很好的研究问题。Beame \etal ~和Bhattacharya \etal ~分别给出了使用对{ \sc二分独立集}({ \sc BIS})和{ \sc三分独立集}({ \sc TIS})预言机的查询来估计图中边和三角形的数量的算法。我们推广了早期的作品,估计超边的数量,使用一个查询oracle,被称为{ \bf广义$d$ -partite独立集oracle({ \sc GPIS})},它需要$d$(非空)成对不相交的顶点子集$A_1,\ldots,A_d \subseteq U({\cal H})$作为输入,并回答是否存在一个超边在${\cal H}$有(正好)一个顶点,在每个$A_i, i \in \{1,2,\ldots,d\}$。我们给出了一个随机算法的超边缘估计问题,使用{ \sc GPIS}查询oracle输出$\widehat{m}$为$m({\cal H})$满足$(1-ε) \cdot m({\cal H}) \leq \widehat{m}…
2020-09-05 cs.DS
Computing and Testing Small Connectivity in Near-Linear Time and Queries via Fast Local Cut Algorithms
考虑有向图中的以下“局部”切割检测问题:我们被给予种子顶点$x$,并且需要移除至多$k$条边,使得至多$ν$条边可以从$x$(“局部”切割)到达,或者输出$\bot$以指示不存在这样的切割。如果我们被赋予对输入图的查询访问权,那么这个问题原则上可以在不读取整个图的情况下解决,并且查询复杂度取决于$k$和$ν$。在本文中,我们考虑这个问题的松弛变体,当这样的切割存在时,我们可以输出一个切割,从$x$可到达的边缘多达$O(kν)$。我们提出了一个简单的随机算法,花费$O(k^2ν)$时间和$O(kν)$查询上述变体,特别是改进了以前的时间界限的$O(k^{O(k)}ν)$由Alberhik等人。[SODA '17]。我们还扩展了我们的算法来处理一个近似变量。我们证明,这些本地算法是通用的原语设计的经典图问题的大幅改善的算法,提供以下三个应用程序。($\tilde O(T)$自始至终隐藏了$\operatorname{polylog}(T)$。)(1)经典的$k$ -顶点连通性问题的一个随机算法,当$k=O(\operatorname{polylog}(n))$,即$\tilde O(m+nk^3)$时间在无向图中时,需要近线性时间。对于有向图,当$\tilde O(mk^2)$。我们的技术也产生一个改进的近似方案。(2)属性测试算法$k$ -边和顶点连接与查询的复杂性,是近线性的$k$…
2019-10-31 cs.DS
An Optimal Algorithm for Stochastic Vertex Cover
Georgia Institute of Technology(佐治亚理工学院);Technical University of Denmark(丹麦技术大学);Stanford University(斯坦福大学);Duke University(杜克大学);Columbia University(哥伦比亚大学);EPFL(洛桑联邦理工学院);Virginia Tech(弗吉尼亚理工大学)
本文提出一个仅需O_ε(n/p)次边查询即可获得(1+ε)近似顶点覆盖的算法,改进了之前两种不相容的最优结果,匹配了已知的下界。
2026-03-29 cs.DS
Stochastic Minimum Vertex Cover in General Graphs: a $3/2$-Approximation
我们的主要结果是设计一个算法,返回一个顶点覆盖的$\mathcal{G}^\star$的大小最多$(3/2+ε)$倍的预期大小的最小顶点覆盖,只使用$O(n/εp)$非自适应查询。这改进了Behnezhad,Blum和Derakhshan [SODA'22]的最著名的2-近似算法,他们还表明$Ω(n/p)$查询是实现任何常数近似所必需的。我们的保证还扩展到边缘实现不完全独立的情况。我们补充这个上限与紧$3/2$ -近似随机图的边缘实现表现出温和的相关性的下限。
2023-02-06 cs.DS
Correlation Clustering with Same-Cluster Queries Bounded by Optimal Cost
University of California, Berkeley(加州大学伯克利分校);Allen Institute for Artificial Intelligence(艾伦人工智能研究所)
过去已经研究了几种具有交互式(半监督)查询的聚类框架。最近,使用相同聚类查询的聚类已经变得流行。该设置中的算法可以访问具有最优聚类的全部知识的预言机,并且该算法可以询问以下形式的预言机查询:“最优聚类是否将顶点$ u $和$ v $置于同一聚类中?“由于其简单性,这种查询模型可以很容易地在真正的众包平台中实现,并吸引了大量的近期工作。在本文中,我们研究了流行的相关聚类问题(Bansal等人,2002年,在这一框架下。给定一个具有正边和负边标签的完全图$G=(V,E)$,相关聚类目标旨在计算一个最小化不一致总数的图聚类,即负的簇内边和正的簇间边。设$ C_{OPT} $为最优聚类产生的分歧数。我们提出了相关聚类的算法,其错误和查询界限参数化的$C_{OPT}$,而不是由集群的数量。实际上,一个好的集群必须具有小的$C_{OPT}$。具体来说,我们提出了一个有效的算法,恢复一个确切的最佳聚类使用最多$2C_{OPT} $查询和一个有效的算法,输出一个$2$近似使用最多$C_{OPT} $查询。此外,我们表明在一个合理的复杂性假设下,不存在任何多项式时间算法,具有近似比$1+α$的绝对常数$α>0$与$o(C_{OPT})$查询。我们使用真正的众包神谕在几个合成和真实世界的数据集上广泛评估了我们的方法。此外,我们比较我们的方法对几个已知的相关聚类算法。
2019-08-14 cs.DS cs.LG
Nearly Instance Optimal Sparse Matrix Approximation from Matrix-Vector Products
New York University(纽约大学)
研究仅通过矩阵-向量乘积查询学习隐式矩阵的稀疏近似问题,提出基于退化度的统一框架,证明查询复杂度的紧界,并给出多项式时间算法。
2026-06-11 cs.DS cs.NA math.NA
Cut query algorithms with star contraction
我们研究的复杂性,确定一个简单的图与割查询的边连通性。我们表明,(i)有界错误的随机算法,计算边缘连接与$O(n)$切割查询,和(ii)有界错误的量子算法,计算边缘连接与$Õ(\sqrt{n})$切割查询。我们证明了这些结果使用一种新的技术称为“星收缩”随机合同边的图,同时保持非平凡的最小切割。在星形收缩中,顶点随机收缩一条入射到一小部分随机选择的顶点上的边。与Ghaffari,Nowicki和Thorup [SODA'20]的相关2-out收缩技术相反,星形收缩仅收缩顶点不相交的星形子图,这使得它可以通过切割查询有效地实现。即使对于更简单的连通性问题,项目(i)的$O(n)$界限也是未知的,并且改进了Rubinstein,Schramm和Weinberg的$O(n\log^3 n)$界限[ITCS'18]。在连接性的随机通信复杂性为$Ω(n\log n)$的合理推测下,该界限很紧,这是自Babai、Frankl和Simon [FOCS'86]的开创性工作以来的一个悬而未决的问题。该界限也排除了使用简单图的边连通性来证明最小化对称次模函数的超线性随机查询下界。第(ii)项给出了具有随机复杂性的近似二次分离,并解决了Lee,Santha和Zhang [SODA'21]的一个公开问题。该算法也可以看作是对邻接矩阵进行$Õ(\sqrt{n})$矩阵向量乘法查询。最后,我们展示了使用星收缩…
2022-01-14 cs.CC cs.DS quant-ph
Quantum algorithms for graph problems with cut queries
设$G$是一个有$m$边的$n$ -顶点图.当询问顶点的子集$S$时,对$G$的切割查询返回在$S$中恰好有一个端点的$G$的边的数目。我们表明,有一个有界错误的量子算法,确定所有连接组件的$G$后,$O(\log(n)^6)$许多削减查询。与此相反,它遵循从结果的通信复杂性,任何随机化算法,即使只是决定图是否连接或不必须至少$Ω(n/\log(n))$许多切割查询。我们进一步表明,与$O(\log(n)^8)$许多切割查询的量子算法可以以高概率输出生成森林的$G$。在证明这些结果的过程中,我们设计了量子算法,用于使用切割查询来学习图。我们表明,量子算法可以学习一个最大程度的图$d$后$O(d \log(n)^2)$许多切割查询,并可以学习一个一般的图与$O(\sqrt{m} \log(n)^{3/2})$许多切割查询。这两个上界是紧到多对数因子,并比较$Ω(dn)$和$Ω(m/\log(n))$的切割查询的随机算法所需的数量上的下界相同的问题,分别。我们的结果中的关键成分是Bernstein-Vazirani算法,近似计数与“或查询”,并学习稀疏向量的内积在压缩感知。
2020-08-04 cs.DS quant-ph
Nearly Optimal Attention Coresets
本文研究了在小空间中估计注意力机制的问题,证明了存在近似最优大小的核心集,同时改进了核心集的下界。
2026-05-07 cs.AI cs.DS
Identifying Cluttering Edges in Near-Planar Graphs
本文提出一种启发式方法,通过识别近平面图中的杂乱边并调整其权重,显著提升弹簧类图绘制算法在增广网格图、增广三角剖分和深度三角剖分上的布局质量。
2023-04-17 cs.CG cs.DS
Random Subgraph Detection Using Queries
Tel Aviv university(特拉维夫大学);University of California, San Diego(加利福尼亚大学圣迭戈分校);Google Research(谷歌研究院)
本文研究仅通过自适应边查询观察部分图时的植入稠密子图检测问题,确定了检测所需查询数的上下界,并提出了拟多项式最优算法和多项式时间算法。
2024-05-03 cs.DS cs.IT cs.LG
Reconstruction of geometric random graphs with the Simple algorithm
本文将Simple算法扩展应用于连接半径为 $r \sim n^k$ 的几何随机图,证明了其在 k > 3/20 时查询复杂度几乎边最优,且少量查询即可重构大部分非边。
2024-07-26 cs.DS math.PR