A Technique for Obtaining True Approximations for $k$-Center with Covering Constraints
最近,人们对将公平性方面纳入经典聚类问题的兴趣激增。在这种精神下,$k$ -中心问题的两个最近引入的变体是由Bandyapadhyay、Inamdar、Pai和Varadarajan引入的彩色$k$ -中心问题,以及由Harris、Pensyl、Srinivasan和Trinh引入的彩票模型,例如公平稳健$k$ -中心问题。为了解决公平性方面,与传统的$k$ -中心相比,这些模型包括附加的覆盖约束。这些模型的先验近似结果需要放松一些通常的硬约束,如要打开的中心的数量或所涉及的覆盖约束,因此,仅获得常数因子的伪近似。在本文中,我们介绍了一种新的方法来处理这样的覆盖约束,导致(真)近似,包括$4$ -近似彩色$k$ -中心与恒定的许多颜色-解决了Bandyapadhyay,Inamdar,Pai和Varadarajan提出的一个开放的问题-和$4$ -近似公平鲁棒$k$ -中心,对于这一点,(真正的)常数因子近似的存在也是开放的。我们补充我们的结果表明,如果一个允许无限数量的颜色,然后彩色$k$ -中心承认没有近似算法有限近似保证,假设$\mathrm{P} \neq \mathrm{NP}$。此外,在指数时间假设下,如果颜色数量的增长速度超过基集大小的对数,则问题是不可近似的。
2020-07-08 cs.DS math.OC
Colorful Priority $k$-Supplier
本文研究两种带异常点的优先级$k$-供应商问题,改进了带异常点版本的近似比,并首次为彩色版本提出了不同场景下的近似与伪近似算法。
2024-06-21 cs.DS
Algorithmic and Hardness Results for the Colorful Components Problems
在本文中,我们调查的丰富多彩的组件框架,动机的应用程序出现比较基因组学。一般目标是从无向顶点着色图$G$中移除边的集合,使得在所得到的图$G'$中,所有连接的分量都是彩色的(即,相同颜色的任何两个顶点属于不同的连通分量)。我们希望$G'$优化目标函数,该函数的选择特定于框架中的每个问题。我们分析了三个目标函数,因此,三个不同的问题,这被认为是相关的生物应用:最小化的单点的数量,最大化的传递闭包中的边的数量,并尽量减少连接组件的数量。我们的主要结果是第一个问题的多项式时间算法。这一结果否定了Zheng等人的猜想,即该问题是$ NP$ -困难的(假设是$P \neq NP$).然后证明了第二个问题是$ APX$ -困难的,从而证明并加强了Zheng等人关于该问题是$ NP$ -困难的猜想.最后,我们表明,第三个问题不承认多项式时间近似的一个因素内的$|V|^{1/14 - ε}$的任何$ε> 0$,假设$P \neq NP$(或在一个因素内的$|V|^{1/2 - ε}$,假设$ZPP \neq NP$)。
2013-11-06 cs.DS
Non-Uniform $k$-Center and Greedy Clustering
在非均匀$k$-中心问题中,著名的$k$-中心聚类问题的推广,我们希望通过找到具有指定半径的球的位置来覆盖度量空间中的给定点集。在$t$-NU $k$ C问题中,我们假设不同半径的个数等于$t$,并且对于$1 \le i \le t$,我们允许使用半径为$r_i$的$k_i$球.这个问题是由Chakrabarty等人[ACM Trans.Alg. 16(4):46:1 - 46:19],他证明了如果$t$是无界的,则$t$-NU $k$ C的常数近似是不可能的。另一方面,他们给出了一个双准则近似,该近似违反了允许的球的数量以及给定的半径。他们还指出,如果$t$是一个固定常数,那么$t$-NU $k$ C的常数近似值应该是可能的。从那时起,在解决这一猜想方面取得了稳步进展-目前,通过Chakrabarty和Negahbani [IPCO 2021]以及Jia等人[出现在SOSA 2022]的结果,已知$3$-NU $k$ C的常数近似。对于$4$不同类型的半径,我们给出了非均匀$k$-中心的$O(1)$-近似,从而推进了视界.我们的结果是通过$k$-中心文献中的工具和技术的新组合获得的,这也证明了$k$-中心的不同推广涉及非均匀半径和多个覆盖约束(即,彩色的$k$-中心),彼此紧密相连。我们希望我们的想法将有助于对$t$-NU $k$ C问题的更深入的理解,最终使我们更接近CGK猜想…
2021-11-14 cs.CG cs.DS
Improved approximation algorithms for two Euclidean k-Center variants
$k$ -中心问题是最流行的聚类问题之一。经过几十年的工作,它的大多数变种的复杂性一般指标现在已经很好地理解。令人惊讶的是,对于在实践中经常出现的自然设置,即欧几里得设置,情况并非如此,在欧几里得设置中,输入点是$\mathbb{R}^d$中的点,并且它们之间的距离是标准的$\ell_2$欧几里得距离。在这项工作中,我们研究了两个欧几里德$k$ -中心的变种,拟阵中心问题的真正的线和鲁棒欧几里德$k$ -供应商的问题,并提供算法,提高已知的最佳近似保证这些问题。特别是,我们提出了一个简单的$2.5$ -近似算法,用于实数线上的拟阵中心问题,从而改进了Chen,Li,Liang和Wang(2016)的$3$ -近似因子算法,适用于一般度量。此外,我们提出了鲁棒欧氏$k$ -Supplier问题的$(1 + \sqrt{3})$ -近似算法,从而改进了鲁棒$k$ -Supplier的最新$3$ -近似算法,并匹配了Nagarajan,Schieber和Shachnai(2020)已知的非鲁棒设置的最佳近似因子。
2021-12-09 cs.CG cs.DS
Computing Euclidean k-Center over Sliding Windows
在滑动窗口模型下的Euclidean $k$ -中心问题中,输入点在数据流中给定,目标是找到$k$最小同余球,其并集覆盖数据流中的$k$最近点。在该模型中,输入点只允许被检查一次,并且可用于存储相关信息的空间量是有限的。Cohen-Addad等人~ \cite{cohen-2016}用O($k/ε\log α$)点给出了度量$k$ -中心问题的$(6+ε)$ -近似,其中$α$是最大和最小距离之比,并假定是预先已知的。本文提出了一种求解欧几里德$1$中心问题的$(3+ε)$ -近似算法,该算法使用O($1/ε\log α$)个点.我们提出了一个算法的欧几里德$k$中心的问题,保持一个coreset的大小$O(k)$。我们的算法给出了一个$(c+2\sqrt{3} + ε)$ -近似的欧几里德$k$ -中心问题使用O($k/ε\log α$)点通过使用任何给定的$c$ -近似的核心,其中$c$是一个正实数。例如,通过使用核心集的$2$ -近似~ \cite{feder-greene-1988},我们的算法给出了使用$O(k\log k)$时间的$(2+2\sqrt{3} + ε)$ -近似($\approx 5.465$)。这是对Cohen-Addad等人的$(6+ε)$的近似因子的改进。\cite{cohen-2016}具有相同的空间复杂度和更小的每点更新时间。此外,我们删除的假设…
2020-01-04 cs.CG cs.DS
A Subquadratic Time Approximation Algorithm for Individually Fair k-Center
针对个体公平约束下的k-中心问题,提出确定性和随机性两种双准则近似算法,其中随机算法通过次二次时间的随机采样实现r_x的常数因子近似,兼具理论效率与独立研究价值。
2025-03-25 cs.CG cs.DS
A Composable Coreset for k-Center in Doubling Metrics
给出了度量空间中的点集$P$和常整数$k$。$k$ -中心问题在$P$中找到$k$点作为中心,使得$P$的任何点到其最近中心$(r)$的最大距离最小化。加倍度量是度量空间,其中对于任何$r$,半径为$r$的球可以使用常数数量的半径为$r/2$的球来覆盖。固定维欧氏空间是加倍度量。在欧氏空间中,$k$ -中心的逼近因子的下界是$1.822$,然而,存在指数依赖于$\frac{1}ε$和$k$的$(1+ε)$ -逼近算法.对于给定的集合$P_1,\ldots,P_L$的集合,可组合的核心集独立地计算子集$C_1\subset P_1, \ldots, C_L\subset P_L$,使得$\cup_{i=1}^L C_i$包含集合$\cup_{i=1}^L P_i$的度量的近似。本文针对$k$ -中心提出了一种$(1+ε)$ -近似可合成的核集,它在$|P|$中具有次线性的尺寸.这导致在MapReduce中的$k$ -中心的$(2+ε)$ -近似算法,其具有用于任何$ε>0$和次线性通信的加倍度量的恒定轮数,其基于参数修剪。我们证明了中心数$(k)$和半径$(r)$之间的权衡的指数性质,并给出了一个相关的问题,称为双聚类的可组合的coreset。同时,我们给出了一个新的参数剪枝算法,它包括$O(\frac{nk}ε)$运行时间、$O(n)$空间和度量$k$ -中心的$2+ε$逼近因子.
2019-04-24 cs.CG cs.DS
Improved Approximation Algorithms for Capacitated Fault-Tolerant k-Center
在k-中心问题中,给定一个度量空间V和一个正整数k,人们希望选择V的k个元素(中心)和从V到中心的分配,最小化V的元素与其分配的中心之间的最大距离。最常见的变体之一是有能力的α容错k中心,其中中心对分配的元素数量有限制,并且如果α中心失败,则从V重新分配到非故障中心。本文提出了一种新的解决容错问题的方法,通过选择和预开放一组备份中心,然后求解得到的剩余实例。对于{0,L}-capacitated的情况下,我们给出近似因子6的基本问题,和7的所谓的保守的变体,当只有客户端的中心失败可能会被重新分配。我们的算法改进了以前最知名的因素9和17,分别。此外,我们考虑的情况下,一般的能力。假设α是常数,我们的方法导致这种情况下的第一近似。我们也得到近似的能力限制容错k-供应商问题。
2016-08-04 cs.DS
On Perturbation Resilience of Non-Uniform $k$-Center
Chakrabarty、Goyal和Krishnaswamy [ICALP,2016]最近将非均匀$k$中心(NUkC)问题表述为经典$k$中心聚类问题的推广。在NUkC中,给定度量空间中的一组$n$点$P$和非负数$r_1, r_2, \ldots , r_k$,目标是找到最小膨胀$α$,并为$1\le i\le k$选择以$P$的点为中心的$k$球,半径为$α\cdot r_i$,使得$P$的所有点都包含在所选球的并集中。他们表明,即使在树度量中,这个问题也是NP-难的。另一方面,他们设计了一种“双准则”常数近似算法,该算法使用常数乘以$k$球。令人惊讶的是,即使在$r_i$属于大小为3的固定集合的特殊情况下,也不知道真正的近似。本文研究了Bilu和Linial [Combinatorics,Probability and Computing,2012]提出的扰动恢复下的NUkC问题。我们证明了当$r_i$属于一个定长集时,在2-扰动恢复下的问题是多项式时间可解的。然而,我们表明扰动弹性在一般情况下没有帮助。特别是,我们的研究结果意味着,即使扰动弹性不能希望找到任何“好”的近似的问题。
2020-04-27 cs.CG cs.DS
Fixed Parameter Approximations for k-Center Problems in Low Highway Dimension Graphs
我们考虑$k$ -中心问题和一些推广。对于$k$ -Center,需要在具有边长度的图$G$中找到一组$k$中心顶点,使得从$G$的任何顶点到其最近中心的距离最小化。这个问题自然发生在交通网络中,因此我们将输入建模为具有有界公路维度的图,如Abraham等人所提出的那样。[SODA 2010]。我们展示了近似和固定参数的硬度结果,以及如何克服它们使用固定参数的近似,这两个范例相结合。特别地,我们证明了对于任何$\varepsilon>0$计算,$(2-\varepsilon)$ -逼近对于参数$k$是W[2]-困难的,对于具有公路维数$O(\log^2 n)$的图是NP-困难的.后者并不排除公路尺寸参数$h$的固定参数$(2-\varepsilon)$近似,但意味着这样的算法必须在$h$中具有至少双指数的运行时间,如果它存在的话,除非ETH失败。在积极的一面,我们展示了如何通过结合参数$k$和$h$得到低于$2$的近似因子:我们开发了一个固定参数的$3/2$ -近似与运行时间$2^{O(kh\log h)}\cdot n^{O(1)}$。此外,我们证明,除非P=NP,我们的技术不能用于计算固定参数$(2-\varepsilon)$ -近似只有参数$h$。我们还提供了类似的固定参数近似加权$k$ -中心和$(k,\mathcal{F})$ -分区问题,推广$k$ -中心。
2019-04-26 cs.DS
Parameterized Approximation Algorithms for $k$-Center Clustering and Variants
$k$ -center是最流行的聚类模型之一。虽然它承认一个简单的2-近似多项式时间在一般的度量,欧几里德版本是NP-困难的近似因子为1.93,即使在平面上,如果坚持依赖于$k$在运行时间是多项式。如果没有这个限制,经典算法产生欧几里得$k$ -中心的$2^{O((k\log k)/ε)}dn$ -时间$(1+ε)$ -近似,其中$d$是维度。我们给出了一个更快的算法,小尺寸:粗略地说,一个$O^*(2^{O((1/ε)^{O(d)} \cdot k^{1-1/d} \cdot \log k)})$ -时间$(1+ε)$ -近似。特别地,运行时间在平面中大致为$O^*(2^{O((1/ε)^{O(1)}\sqrt{k}\log k)})$。我们补充我们的算法结果与匹配的硬度下限。我们还考虑了$k$ -中心的一个广泛研究的推广,称为非均匀$k$ -中心(NUkC),其中我们允许不同半径的集群。NUkC在任何因子内都是NP难近似的,即使在欧几里得情况下也是如此。我们设计了一般度量下NUkC的$2^{O(k\log k)}n^2$时间$3$ -近似和欧氏NUkC的$2^{O((k\log k)/ε)}dn$时间$(1+ε)$ -近似.后一个时间界限与$k$ -center的界限匹配。
2021-12-19 cs.DS
Constant Factor Approximation for Capacitated k-Center with Outliers
$k$ -中心问题是一个经典的设施选址问题,在给定一个边加权图$G = (V,E)$的情况下,需要找到$k$顶点$S$的一个子集,使得$V$中的每个顶点都“接近”$S$中的某个顶点.这个基本问题的近似状态是很好理解的,因为已知简单的2-近似算法是紧的。因此,研究了不同的扩展。在容量限制版本的问题,每个顶点被分配一个能力,这是一个严格的上限的客户端的数量设施可以服务,当位于这个顶点。去年Cygan、Hajiaghayi和Khuller [FOCS'12]获得了容量限制的$k$ -中心的常数因子近似,最近An、Bhaskara和Svensson [arXiv'13]将其改进为9-近似。在问题的不同概括中,可以忽略一些客户端(表示为离群值)。在这里,我们另外给出了一个整数$p$,目标是准确地服务于$p$客户端,算法可以自由选择。2001年,Charikar等人[SODA'01]提出了一种3-近似法,用于解决具有离群值的$k$ -中心问题。在本文中,我们考虑一个共同的推广的两个扩展以前分别研究,即我们的工作与能力限制的$k$中心与离群值。我们提出了第一常数因子近似算法,即使在非均匀硬容量的情况下,近似比也为25。
2014-01-13 cs.DS
Fast approximate $\ell$-center clustering in high dimensional spaces
University of Warsaw(华沙大学);Lund University(隆德大学)
本文提出了一种在高维空间中快速近似ℓ-中心聚类的算法,通过随机降维技术提升了效率,并改进了处理异常值的近似方法。
2025-12-02 cs.DS
A Better-Than-$5/4$-Approximation for Two-Edge Connectivity
Universidad de Chile(智利大学);Simons Institute for the Theory of Computing, UC Berkeley(加州大学伯克利分校西蒙斯理论计算研究所);University of Bremen(不来梅大学);Zhejiang University(浙江大学)
针对双边连通生成子图问题(2ECSS),提出一种(5/4 - η)近似算法(η≥10⁻⁶),打破5/4的紧界,通过无三角形双边覆盖转化、针对4-环数量的互补算法及彩色桥覆盖等新技术实现改进。
2025-09-24 cs.DS
Interpolating between $k$-Median and $k$-Center: Approximation Algorithms for Ordered $k$-Median
我们考虑一个推广的$k$ -中位数和$k$ -中心,称为{ \em有序$k$ -中位数}问题。在这个问题中,我们给出了一个度量空间$(\mathcal{D},\{c_{ij}\})$与$n=|\mathcal{D}|$点,和一个非递增的权重向量$w\in\mathbb{R}_+^n$,目标是打开$k$中心,并分配每个点$j\in\mathcal{D}$到一个中心,以最小化$w_1\cdot\text{(largest assignment cost)}+w_2\cdot\text{(second-largest assignment cost)}+\ldots+w_n\cdot\text{($ n $-th largest assignment cost)}$。我们给出了这个问题的$(18+ε)$ -近似算法。我们的算法利用拉格朗日松弛和原始对偶模式,结合Aouad和Segev的枚举过程。对于$\{0,1\}$ -权值的特殊情况,它模拟了最小化$\ell$最大分配成本的问题,这是有趣的,我们提供了一个新的减少,(标准)$k$ -中位数问题,表明$k$ -中位数的LP相对保证转化为有序$k$ -中位数问题的保证;这产生了用于$\{0,1\}$权重的良好且干净的$(8.5+ε)$近似算法。
2017-11-23 cs.DS
Generalized Center Problems with Outliers
我们研究的$\mathcal{F}$ -中心问题的离群值:给定一个度量空间$(X,d)$,一个一般的下封闭家庭$\mathcal{F}$的子集$X$,和一个参数$m$,我们需要找到一个子集$S\in \mathcal{F}$的中心,使最大距离之间的最近的$m$点在$X$到$S$最小化。我们的主要结果是一个二分法定理。通俗地说,我们证明了有一个有效的$3$近似的$\mathcal{F}$中心问题的离群值,当且仅当我们可以有效地优化一个多有界线性函数在$\mathcal{F}$分区约束。我们的结果的一个具体的结果是多项式时间$3$近似的背包中心问题的离群值,没有(真正的)近似算法是已知的。
2018-05-06 cs.DS
Beyond 2-approximation for k-Center in Graphs
本文研究无向图中k-Center问题,通过允许小的加性误差突破乘性因子2的障碍,给出(2-ε,O(1))近似算法,并在SETH假设下证明其最优性及时间/近似权衡下界。
2025-03-12 cs.DS
Subexponential Parameterized Approximation for Group-Fair Euclidean $k$-Center
School of Computer Sciences, National Institute of Science Education and Research(国家科学教育研究中心计算机科学学院);Homi Bhabha National Institute (HBNI)(霍米·巴巴国立研究所)
本文针对固定维度组公平欧几里得k-中心问题,提出基于分隔器的递归近似算法,将k的依赖改进为亚指数,实现双标准近似且采用乘法公平性放松。
2026-10-14 cs.DS
Small Space Stream Summary for Matroid Center
在拟阵中心问题中,它推广了$k$ -中心问题,我们需要选择一组中心,这是一个秩为$r$的拟阵的独立集。我们研究这个问题的流,在地面设置的元素到达流。我们首先表明,任何随机的一次通过流算法,计算一个更好的$Δ$ -近似分区拟阵中心必须使用$Ω(r^2)$位的空间,其中$Δ$是纵横比的度量,可以是任意大。这显示了拟阵中心和$k$ -中心之间的二次分离,其中Doubling算法使用$O(k)$ -空间和一次通过给出$8$ -近似。为了补充这一点,我们给出了一个一遍算法的拟阵中心,存储最多$O(r^2\log(1/\varepsilon)/\varepsilon)$点(即,流摘要),其中存在$(7+\varepsilon)$近似解,其可以通过蛮力找到,或者可以用有效算法找到$(17+\varepsilon)$近似。如果我们允许第二次通过,我们可以有效地计算$(3+\varepsilon)$ -近似;这也几乎达到了已知的最佳近似比($3+\varepsilon$)与总运行时间$O((nr + r^{3.5})\log(1/\varepsilon)/\varepsilon + r^2(\log Δ)/\varepsilon)$,其中$n$是输入点的数量。我们还考虑了问题的拟阵中心与$z$离群值,并给出了一个单程算法,输出一组$O((r^2+rz)\log(1/\varepsilon)/\var…
2020-07-20 cs.DS
The Non-Uniform k-Center Problem
本文介绍并研究了非均匀k-中心问题(NUkC)。给定有限度量空间$(X,d)$和半径为$\{r_1\geq \cdots \ge r_k\}$的球的集合,NUkC问题是找到它们的中心在度量空间上的位置,并找到最小膨胀$α$,使得半径为$α\cdot r_i$的球围绕第$i$中心的并集覆盖$X$中的所有点。这个问题自然出现作为一个最小最大车辆路径问题与不同速度的车队。当所有$k$半径都相同时(可以假设缩放后为$1$),NUkC问题推广了经典的$k$中心问题。当存在半径为$1$的$k$球和半径为$0$的$\ell$球时,它也推广了具有离群点的$k$中心(kCwO)问题.有$2$ -近似和$3$ -近似算法已知这些问题分别;前者是最好的可能,除非P=NP和后者仍然没有改进的15年。我们首先观察到,除非P=NP,否则没有$O(1)$ -逼近到最优膨胀是可能的,这意味着NUkC问题比上述两个问题更不平凡。我们的主要算法结果是一个$(O(1),O(1))$ -双准则近似结果:我们给出了最优膨胀的一个$O(1)$ -近似,然而,我们可以打开每个半径的$Θ(1)$中心。我们的技术也使我们能够证明一个简单的(单一标准),最佳的$2$近似的kCwO问题,改善后,长期的$3$ -因素。我们的主要技术贡献是NUkC问题和所谓的消防员问题的树木,最近在TCS社区研究之间的连接。
2016-05-13 cs.DS
LP Rounding for k-Centers with Non-uniform Hard Capacities
在本文中,我们考虑一个推广的经典k-中心问题的能力。我们的目标是在图中选择k个中心,并将每个节点分配给附近的中心,以便我们尊重中心的容量约束。目标是最小化节点到达指定中心所需的最大距离。这个问题是NP难的,即使中心没有容量限制和最佳因子2近似算法是已知的。对于容量,当所有中心具有相同的容量时,已知6近似没有比无限容量版本更好的下限。虽然这个问题的许多概括和变化已被广泛研究,没有取得任何进展的能力版本的一般能力功能。我们发展了第一常数因子近似算法。我们的算法使用LP舍入的方法来解决这个问题,并适用于非均匀的硬容量的情况下,当一个节点的多个副本可能不会被选择,并可以扩展到的情况下,当有一个硬约束的副本的数量可以选择的节点。此外,我们为非均匀(均匀)硬容量建立了完整性差距的下限7(5)。此外,我们证明了,如果有一个(3-eps)-因子逼近这个问题,那么P=NP。最后,对于非均匀的软容量,我们提出了一个简单得多的11-近似算法,我们发现作为一个证据,硬容量更难处理。
2012-08-15 cs.DS
Linear-Size Universal Discretization of Geometric Center-Based Problems in Fixed Dimensions
许多几何优化问题可以归结为寻找空间中的点(中心),使目标函数最小化,该目标函数连续依赖于从中心到给定输入点的距离。例子是$k$ -均值,几何$k$ -中位数/中心,连续设施位置,$m$ -方差等,我们证明,对于任何固定的$\varepsilon>0$,固定维空间中具有由任何向量范数诱导的度量的每个$n$输入点集允许一组$O(n)$候选中心,其可以在几乎线性时间内计算并且包含$(1+\varepsilon)$ -空间的每个点相对于到所有输入点的距离的近似。它给出了一个通用的近似保持减少的几何中心为基础的问题与任意连续型目标函数的离散版本的中心是从一个相当小的候选人。存在这样一个线性大小集的候选人也显示任何度量空间的固定倍维。
2021-08-24 cs.CG cs.DS math.OC
Centrality of Trees for Capacitated k-Center
我们对网络选址问题的无容量限制和容量限制版本的理解存在很大的差异。这也许是最好的说明了经典的k-中心问题:有一个简单的紧2-近似算法的无容量的版本,而第一个常数因子近似算法的一般版本的能力,只是最近才获得通过使用一个复杂的舍入算法,实现了近似保证在数百。我们的论文旨在弥合这一差异。对于容量限制的k-中心问题,我们给出了一个简单的算法,一个干净的分析,使我们能够证明近似保证9。它使用标准的LP松弛,并接近解决完整性差距(在必要的预处理后),缩小到7,8或9。该算法首先减少到特殊的树的情况下,然后解决这些情况下最佳。我们的概念树的实例是非常通用的,并适用于自然变种的能力限制的k-中心问题,我们也得到了改进的算法。最后,我们给出的证据表明,更强大的预处理可能会导致更好的算法,通过给出一个近似算法,击败的完整性差距的情况下,所有的非零容量是均匀的。
2013-04-10 cs.DS
Fair Range k-center
我们研究了不相交的人口统计组的数据的k-中心聚类的公平性问题。具体而言,这项工作提出了一个变种的公平性,限制每个组的中心数量与下限(少数民族保护)和上限(限制统治),并提供了一个离线和一个通过流算法的问题。在上下界相同的特殊情况下,离线算法保持了与现有算法相同的时间复杂度和近似因子,并且在近似因子、运行时间和空间复杂度方面都有了改进.具体地说,我们的算法的近似因子是13相比,以前的17-近似算法,和以前的算法的时间复杂度有依赖于度量空间的纵横比,这可以是任意大的,而我们的算法的运行时间不依赖于纵横比。
2022-07-22 cs.DS
FPT Approximation for Fair Minimum-Load Clustering
在本文中,我们考虑最小负载$k$ -集群/设施位置(MLkC)的问题,我们给出了一组$P$的$n$点在一个度量空间,我们必须集群和一个整数$k$,表示集群的数量。此外,我们给出了一个集$F$的聚类中心在同一度量空间。目标是选择一组$k$中心的$C\subseteq F$,并将$P$中的每个点分配给$C$中的一个中心,以便最小化所有中心上的最大负载。在这里,一个中心的负载是它和分配给它的点之间的距离的总和。虽然集群/设施选址问题有丰富的文献,最小负载的目标没有得到充分的研究,因此MLkC仍然是一个知之甚少的问题。更有趣的是,即使在一些特殊情况下,包括Ahmadian等人[ACM Trans. Algo. 2018年]。他们还显示了APX硬度的问题在飞机上。另一方面,MLkC的最著名的近似因子是$O(k)$,即使在平面中也是如此。在这项工作中,我们研究了受Chierichetti等人的工作启发的MLkC的公平版本。[NeurIPS,2017],它概括了MLkC。这里,输入点由表示它们所属的组的$\ell$颜色之一着色。MLkC是$\ell=1$的特例。考虑到这个问题,我们能够在$f(k,\ell)\cdot n^{O(1)}$时间内得到一个$3$ -近似。此外,我们的计划导致一个改进的$(1 + ε)$近似的情况下,欧几里德范数,在这种情况下,运行时间只依赖于多项式的尺寸$d$。我们的…
2021-07-20 cs.CG cs.DM cs.DS
Capacitated Center Problems with Two-Sided Bounds and Outliers
近年来,容量限制中心问题引起了人们的广泛研究兴趣。给定一组顶点$V$,我们希望找到顶点的子集$S$,称为中心,使得最大聚类半径最小化。此外,$S$中的每个中心应该满足某种容量约束,该容量约束可以是其可以服务的顶点数量的上限或下限。具有单侧界(上界或下界)的容量约束$k$ -中心问题在以前的工作中得到了很好的研究,并得到了一个常数因子近似.我们是第一个研究容量限制中心问题的能力下限和上限(有或没有离群值)。我们假设每个顶点有一个一致的下界和一个非一致的上界。对于开放的情况下,正是$k$中心,我们注意到,最近的LP方法的推广可以实现常数因子近似算法为我们的问题。我们的主要贡献是一个简单的组合算法的情况下,没有基数约束的开放中心的数量。我们的组合算法是简单的,实现更好的常数逼近因子相比,LP方法。
2017-02-24 cs.DS
Reverse Greedy is Bad for k-Center
我们证明了反向贪心算法是介于$(2k-2)$ -和$2k$ -近似的$k$ -中心。
2019-12-12 cs.DS
Tight FPT Approximation for Constrained k-Center and k-Supplier
Indian Institute of Technology Delhi(印度理工学院德里分校)
在这项工作中,我们研究了一系列的约束版本的$k$ -供应商和$k$ -中心的问题,如:容量限制,容错,公平,等这些问题属于一个广泛的框架下的约束聚类。Ding和Xu [SODA 2015]在$k$ -中位数和$k$ -均值目标的背景下提出了约束聚类的统一框架。在这项工作中,我们将这个框架扩展到$k$ -供应商和$k$ -中心的目标。这个统一的框架,使我们能够同时获得以下约束版本的$k$ -供应商问题的结果:$r$ -收集,$r$ -容量,平衡,色,容错,强私人,$\ell$ -多样性,和公平的$k$ -供应商问题,有和没有离群值。我们得到了以下结果:我们分别给出了约束$k$ -供应商问题和约束$k$ -中心问题的$3$和$2$近似算法,其中$\mathsf{FPT}$运行时间为$k^{O(k)} \cdot n^{O(1)}$,其中$n = |C \cup L|$ .此外,这些近似保证是紧的,也就是说,对于任何常数$ε>0$,没有算法可以实现$(3-ε)$和$(2-ε)$近似保证的约束$k$ -供应商和$k$ -中心问题在$\mathsf{FPT}$时间,假设$\mathsf{FPT} \neq \mathsf{W}[2]$。此外,我们还研究了这些约束问题在离群设置。我们的算法给出了$3$和$2$近似保证约束离群$k$ -供应商和$k$ -中心的问题,分别与$\mathsf{FPT…
2021-10-27 cs.DS cs.LG
On the Hardness of Approximation of the Fair k-Center Problem
Department of Computer Science, Aalto University, Finland(计算机科学系,阿alto大学,芬兰)
本文证明了公平k-中心问题在假设P≠NP下无法达到比3因子更好的近似,揭示了该问题的近似难度上限。
2026-02-21 cs.CC cs.DS cs.LG
A parameterized approximation algorithm for the Multiple Allocation $k$-Hub Center
在多分配$k$ -集线器中心(MA $k$ HC)中,我们给出了一个连接的边加权图$G$,客户端$\mathcal{C}$和集线器位置$\mathcal{H}$的集合,其中${V(G) = \mathcal{C} \cup \mathcal{H}}$,一组需求$\mathcal{D} \subseteq \mathcal{C}^2$和一个正整数$k$。一种解决方案是一组大小为$k$的集线器$H \subseteq \mathcal{H}$,使得每个需求$(a,b)$都由从$a$开始、经过$H$的某个顶点并以$b$结束的路径来满足。我们的目标是最小化的最大长度的路径。我们发现,找到一个$(3-ε)$ -近似已经是NP-困难的平面图。对于任意图,即使我们用$k$和最优解的值$r$作为参数,逼近下界也成立。当参数结合$k$和各种图形宽度(包括路径宽度)时,精确的FPT算法也是不可能的。为了克服这些困难,我们给出了一个以树宽为参数的$(2+ε)$ -近似算法,并且,作为副产品,对于无权平面图,我们给出了一个以$k$和$r$为参数的$(2+ε)$ -近似算法.与经典选址问题相比,计算路径长度依赖于非局部决策。这使得标准的动态规划算法不切实际,因此我们的算法近似这个长度只使用本地信息。我们希望这些想法在具有类似成本结构的其他问题中得到应用。
2022-05-25 cs.DS
A Simple Combinatorial Algorithm for Robust Matroid Center
鲁棒聚类的最新进展导致了鲁棒拟阵中心的常数因子近似。在基于拟阵交方法的第一组合$7$ -近似之后,发现了两个基于LP的紧密$3$ -近似,两者都依赖于椭球方法。在本文中,我们将展示如何精心设计的,但非常简单,贪婪的选择算法给出了一个$5$近似。我们的方法的一个重要组成部分是一个很好的选择使用雷达拟阵。这使我们能够捕捉到一个单一的拟阵的原始拟阵,这是一个放松的版本,正如我们所展示的,是服从简单的贪婪选择。
2022-11-07 cs.DS math.OC
A $(2+\varepsilon)$-Approximation Algorithm for Metric $k$-Median
Google Research, France(谷歌法国研究院);IDSIA, USI-SUPSI, Switzerland(瑞士IDSIA、USI-SUPSI);University of Michigan, Ann Arbor, MI, USA(美国密歇根大学安娜堡分校);Aarhus University, Denmark(丹麦奥胡斯大学);EPFL, Switzerland(瑞士洛桑联邦理工学院)
该研究提出了一种(2+ε)-近似算法,解决了metric k-中位问题,改进了之前最佳的近似因子2.613,通过结合两种算法,一种是改进的贪心算法,另一种是针对稳定实例的新型算法。
2026-05-19 cs.DS
Faster Approximation Algorithms for k-Center via Data Reduction
本文针对大 k 情形下的欧几里得 k-中心问题,提出构造大小为 k·o(n) 的 coreset 数据约简方法,实现近线性时间 O(1)-近似,并在真实数据集上将 Gonzalez 算法加速最多 4 倍。
2025-02-09 cs.DS
Constant-Factor Approximation Algorithms for Socially Fair $k$-Clustering
Georgia Tech(佐治亚理工学院)
研究了社会公平的$(\ell_p, k)$ -聚类问题的近似算法,该问题的特例包括社会公平的$k$ -中位数($p=1$)和社会公平的$k$ -均值($p=2$)问题.本文提出了(1)至多具有$k+m$中心的多项式时间$(5+2\sqrt{6})^p$ -近似,(2)具有时间$n^{2^{O(p)}\cdot m^2}$中心的$(5+2\sqrt{6}+ε)^p$ -近似,(3)具有时间$k^{m}\cdot\text{poly}(n)$的$(15+6\sqrt{6})^p$近似.第一个结果是通过使用线性规划序列的迭代舍入方法的改进而获得的。后两个结果是通过对(2)使用稀疏化方法并通过对(3)进行穷举搜索将具有多达个$k+m$中心的解转换为具有$k$中心的解而获得的。我们还比较了我们的算法的性能与现有的双准则算法,以及完全$k$中心近似算法的基准数据集,并发现我们的算法也优于现有的方法在实践中。
2022-06-22 cs.AI cs.DS cs.LG
KFC: A Scalable Approximation Algorithm for $k$-center Fair Clustering
Hong Kong University of Science and Technology(香港科技大学)
本文研究了基于$k-$中心目标的公平聚类问题。在公平聚类中,输入是$N$点,每个点属于$l$保护组中的至少一个,例如男性、女性、亚洲人、西班牙人。目标是将$N$点聚类成$k$簇,以最小化经典聚类目标函数。然而,还有一个额外的约束,即在某种公平性概念下,每个集群都需要是公平的。这确保了在任何组群中没有任何群体“任职人数过多”或“任职人数不足”。我们的工作建立在Chierichetti等人(NIPS 2017),Bera等人(NeurIPS 2019),Ahmadian等人(KDD 2019)和Bercea等人的工作基础上。我们获得了一个随机的$3-$近似算法的$k-$中心目标函数,击败了以前的最先进的($4-$近似)。我们在真实数据集上测试了我们的算法,并表明我们的算法在找到良好的集群方面是有效的,没有过度代表性或代表性不足,在运行时速度,聚类成本方面超过了目前的最新技术水平,同时实现了类似的公平性违规。
2020-11-07 cs.DS cs.LG
Toward Optimal Approximations for Resource-Minimization for Fire Containment on Trees and Non-Uniform k-Center
Department of Mathematics, ETH Zurich(苏黎世联邦理工学院数学系)
本文提出了树和非均匀k中心问题的最优近似算法,解决了资源最小化灭火问题的可近似性难题。
2025-12-18 cs.DS
Robust $k$-Center with Two Types of Radii
在非一致$k$ -中心问题中,目标是用指定数目的不同半径的球覆盖度量空间中的点。Chakrabarty,Goyal和Krishnaswamy [ICALP 2016,Trans. 2020](CGK,此后)给出了一个常数因子近似时,有两种类型的半径。本文给出了两个半径情形下存在野值时的常数因子逼近。为了实现这一点,我们需要绕过CGK方法中的不良完整性间隙的技术障碍。我们使用“椭圆体方法内部的椭圆体方法”来实现:使用椭圆体方法的外层来减少程式化的实例,并使用椭圆体方法的内层来解决这些特殊的实例。这个想法是独立的利益,可以适用于其他问题。关键词:近似,聚类,离群值和Round-or-Cut。
2021-02-23 cs.DS
Greedy bi-criteria approximations for $k$-medians and $k$-means
Columbia University(哥伦比亚大学);University of Michigan(密歇根大学)
本文研究了以下自然的贪婪过程中的双标准设置的聚类:迭代地增长一组中心,在每一轮添加的中心从候选集,最大限度地降低聚类成本。在$k$ -median和$k$ -means的情况下,关键结果如下。$\bullet$当该方法将所有数据点视为候选中心时,则选择$\mathcal{O}(k\log(1/\varepsilon))$中心实现的成本最多是$k$中心的最优成本的$2+\varepsilon$倍。$\bullet$可替代地,如果每一轮对$\mathcal{O}(k/\varepsilon^5)$候选中心的采样与它们的聚类成本成比例(与$\texttt{kmeans++}$一样,但是保持中心固定),则相同的保证成立。$\bullet$在$k$ -均值的情况下,考虑$n^{\lceil1/\varepsilon\rceil}$候选中心的扩充集合,给出具有$\mathcal{O}(k\log(1/\varepsilon))$中心的$1+\varepsilon$近似,整个算法花费$\mathcal{O}(dk\log(1/\varepsilon)n^{1+\lceil1/\varepsilon\rceil})$时间,其中$n$是$\mathbb{R}^d$中的数据点的数量。在欧几里德$k$ -中位数的情况下,通过具有自适应确定的约束集的随机梯度下降的$n^{\mathcal{O}(1/\va…
2016-07-21 cs.DS cs.LG
Dynamic algorithms for k-center on graphs
University of Salzburg(萨尔茨堡大学);University of Vienna(维也纳大学);VU Amsterdam(阿姆斯特丹自由大学)
本文提出了动态图上 k-center 问题的首批高效算法,包括确定性减量 (2+ε)-近似和随机增量 (4+ε)-近似算法,并通过归约得到完全动态算法,其更新时间与最先进的单源最短路径算法仅差因子 k。
2024-01-08 cs.DS cs.LG
Constant-Factor Approximations for Doubly Constrained Fair k-Center, k-Median and k-Means
Department of Informatics, University of Cologne, Germany(科隆大学信息学院,德国);Heinrich Heine University Düsseldorf, Faculty of Mathematics and Natural Sciences, Germany(杜伊斯堡-艾森大学数学与自然科学学院,德国);Department of Informatics, University of Bonn, Germany(波恩大学信息学院,德国)
本文研究了在一般度量空间中受两种不同公平性条件约束的离散k聚类问题。针对k-聚类、k-中位数和k-均值问题,提出了常数因子近似算法,改进了k-聚类的近似因子并首次解决了k-中位数和k-均值的常数因子近似问题。
2026-04-17 cs.CY cs.DS cs.LG
On the cost of essentially fair clusterings
聚类是数据采掘的一个基本工具。它将点划分为组(集群),并可用于根据其组为每个点做出决策。但是,如果聚类算法不能在所需的聚类中充分表示受保护的(少数)类,特别是如果数据已经有偏差,则此过程可能会损害这些类。在NIPS 2017上,Chierichetti等人提出了一种公平聚类模型,要求每个聚类中的表示(近似)保留每个受保护类的全局分数。限制到两个受保护的类,他们开发了公平的$k$ -中心问题的4-近似和公平的$k$ -中位数问题的$O(t)$ -近似,其中$t$是公平模型的参数。对于多个保护类,最著名的结果是公平$k$ -中心的14-近似。我们推广和改进了已知的结果。首先,我们给出了多保护类公平$k$ -中心问题的一个5-近似。其次,我们提出了一个宽松的公平性的概念下,我们可以给所有的经典聚类目标$k$ -中心,$k$ -供应商,$k$ -中位数,$k$ -手段和设施位置的双准则常数因子近似。后者的近似值是通过一个框架来实现的,该框架采用任意现有的不公平(积分)解决方案和公平(分数)LP解决方案,并将它们组合成具有弱监督舍入方案的基本公平的聚类。通过这种方式,在中心已经固定的情况下,可以延迟地建立公平的聚类。
2018-11-26 cs.DS
Efficient Parallel Algorithms for k-Center Clustering
k-中心问题是几个经典的NP-难聚类问题之一。对于当代的海量数据集,基于RAM的算法变得不切实际。虽然有很好的顺序算法的k-中心,他们是不容易并行化。在本文中,我们设计并实现了并行近似算法为这个问题。我们观察到,冈萨雷斯的贪心算法可以有效地并行化在几个MapReduce轮,在实践中,我们发现,两轮是足够的,导致4-近似。我们将此与现有的k-中心并行算法进行对比,该算法在恒定数量的轮中运行,并提供10-近似。深入的运行时分析表明,这种方案通常很慢,并且其采样过程仅在k相对于输入大小足够小时才运行。为了在运行时间和近似保证之间进行权衡,我们对该采样算法进行了参数化,并在实验中发现该算法不仅速度更快,而且有时更有效。然而,Gonzalez的并行版本比其顺序版本和并行采样算法快约100倍,几乎不影响解决方案质量。
2016-04-12 cs.DC cs.DS
Matroid and Knapsack Center Problems
在经典的$k$ -中心问题中,我们给出了一个度量图,目标是以$k$节点为中心,使得任意顶点到最近中心的最大距离最小.在本文中,我们考虑了$k$ -中心的两个重要推广,拟阵中心问题和背包中心问题。这两个问题都是由最近的内容分发网络应用引起的。我们的贡献可以概括如下:1.本文考虑拟阵中心问题,其中要求中心构成给定拟阵的一个独立集。我们证明了这个问题即使在直线上也是NP难的。对于一般度量问题,我们给出了一个3-近似算法.我们还考虑了问题的离群值版本,其中给定数量的顶点可以从解中排除为离群值。我们提出了一个7-近似的离群值版本。2.我们考虑的(多)背包中心问题,其中的中心需要满足一个(或多个)背包约束。已知具有单个背包约束的背包中心问题允许3-近似。然而,当至少有两个背包约束,我们表明这个问题是不可近似的。为了补充硬度的结果,我们提出了一个多项式时间算法,给出了一个3-近似的解决方案,使一个背包约束得到满足,其他人可能会违反最多一个因素的$1+ε$。我们还获得了一个3-近似的离群值版本,可能违反背包约束的$1+ε$。
2013-01-15 cs.DM cs.DS
Additive approximation algorithm for geodesic centers in $δ$-hyperbolic graphs
本文研究δ-双曲图上的$k$-测地中心问题,提出加性$O(δ)$近似算法,并通过粗略配对性质将其归约为有根情形,同时证明该问题在部分网格上仍为NP难。
2024-06-12 cs.CC cs.DS
Approximation Algorithms for Clustering with Dynamic Points
我们研究了两个泛化的经典聚类问题,称为动态有序$k$ -中位数和动态$k$ -供应商,需要聚类的点随着时间的推移而发展,我们被允许移动连续的时间步长之间的聚类中心。在这些动态聚类问题中,一般的目标是最小化点的服务成本和中心的移动成本的某些组合,或最小化一个受到一些约束的其他。我们得到了一个常数因子近似算法的动态有序$k$ -中位数在温和的假设下的输入。当时间步数为2时,我们给出了动态$k$ -供应商的3-近似和其离群值的多准则近似,其中一些点可以被丢弃。我们补充几乎匹配的硬度结果的算法。
2022-07-25 cs.DS
Structural Parameters, Tight Bounds, and Approximation for (k,r)-Center
在$(k,r)$ -Center中,我们给出了一个(可能是边加权的)图,并被要求选择最多$k$顶点(中心),以便所有其他顶点与中心的距离最多为$r$。在本文中,我们提供了一个紧密的细粒度的界限上的复杂性,这个问题的各种标准图参数。具体而言:- 对于任何$r\ge 1$,我们展示了一个在$O^*((3r+1)^{\textrm{cw}})$时间内解决问题的算法,其中$\textrm{cw}$是输入图的candle-width,以及与该算法性能匹配的紧密的SETH下界。作为推论,对于$r=1$,这弥补了以前存在的由$\textrm{cw}$参数化的支配集的复杂性的差距。- 我们加强以前已知的FPT下界,通过显示$(k,r)$ -中心是W[1]-硬参数化的输入图的顶点覆盖(如果允许边权重),或反馈顶点集,即使$k$是一个额外的参数。我们的减少意味着严格的基于ETH的下限。最后,我们设计了一个以顶点覆盖为参数的无权图算法。- 我们表明,树的深度参数化的问题的复杂性是$2^{Θ(\textrm{td}^2)}$,通过显示这种复杂性的算法和一个紧密的ETH为基础的下限。我们补充这些主要是负面的结果,提供FPT近似方案参数化的宽度或树的有效工作独立于$k,r$的值。特别是,我们给出的算法,对于任何$ε>0$,运行在时间$O^*((\textrm{tw}/ε)^{O(\textrm{tw})})$…
2018-11-13 cs.CC cs.DS
Hardness of Approximation of Euclidean $k$-Median
Indian Statistical Institute Kolkata(印度统计学院加尔各答);Indian Institute of Technology Delhi(印度理工学院德里分校)
欧几里德$k$ -中位数问题定义如下:给定$\mathbb{R}^{d}$中的$n$点的集合$\mathcal{X}$和整数$k$,找到$k$点(称为中心)的集合$C \subset \mathbb{R}^{d}$,使得成本函数$Φ(C,\mathcal{X}) \equiv \sum_{x \in \mathcal{X}} \min_{c \in C} \|x-c\|_{2}$最小化。欧几里得$k$ -均值问题的定义类似于用代价函数中的平方距离代替距离。已知欧几里得$k$ -均值问题的各种近似结果的困难度。然而,对于欧几里得$k$ -中值问题,没有已知的近似结果的硬度。在唯一对策猜想(UGC)的假设下,给出了欧氏$k$ -中值问题近似结果的第一难性.此外,我们研究的硬度近似的欧几里得$k$ -手段/ $k$ -中位数的问题,在双标准设置的算法是允许选择多个$k$中心。也就是说,允许双标准近似算法输出$βk$中心(对于常数$β>1$),并且相对于最佳$k$ -均值/ $k$ -中值成本计算近似比。在此设置中,我们显示了第一个硬度的近似结果的欧几里德$k$ -中位数问题的任何$β< 1.015$,假设UGC。我们还显示了一个类似的双准则硬度的近似结果的欧几里德$k$ -手段问题的$β< 1.28$,再次假设UGC的更强的界。
2020-11-09 cs.CC cs.CG cs.DS
Polynomial-Time Approximation Schemes for k-Center and Bounded-Capacity Vehicle Routing in Graphs with Bounded Highway Dimension
有界道路维度的概念是为了捕捉道路网络度量的可观测特性而提出的。我们发现,一个有界公路尺寸的图,对于任何顶点,可以嵌入到一个有界树宽的图中,这样的方式,$u$和$v$之间的距离被保存到$ε$乘以从$u$或$v$到选定的顶点的距离的附加误差。我们表明,这一定理产生一个PTAS有限容量车辆路径图有界公路尺寸。在这个问题中,输入指定一个仓库和一组客户,每个客户都有一个位置和需求;输出是一组仓库到仓库的旅行,其中每个客户都被一些旅行访问,每个旅行最多覆盖$Q$单位的客户需求。我们的PTAS可以扩展到处理未访问客户的罚款。我们扩展这个嵌入结果来处理一组$S$的区别顶点。树宽取决于$|S|$,并且保持$u$和$v$之间的距离,直到$ε$乘以从$u$和$v$到$S$的距离的加性误差。这一嵌入结果意味着一个PTAS的多个仓库有限容量的车辆路径:旅游可以从一个仓库到另一个。嵌入结果还意味着,对于固定的$k$,在有界公路维度的图中存在针对$k$ -Center的PTAS。在这个问题中,目标是最小化$d$,使得存在$k$顶点(中心),使得每个顶点都在某个中心的距离$d$内。类似地,对于固定的$k$,在有界公路维度的图中存在$k$ -Median的PTAS。在这个问题中,目标是最小化到$k$中心的距离之和。
2017-11-13 cs.DS
Clustering with fair-center representation: parameterized approximation algorithms and heuristics
我们研究的背景下,算法公平性,被称为多样性感知聚类的经典聚类配方的变体。在这个变体中,我们给出了设施子集的集合,并且解决方案必须包含来自每个子集的至少指定数量的设施,同时最小化聚类目标($k$ -中值或$k$ -均值)。我们研究了这些问题的固定参数的易处理性,并显示了几个负硬度和不可逼近的结果,即使当我们提供指数运行时间相对于一些参数。出于这些结果,我们确定的问题的自然参数,并提出固定参数的近似算法与近似比$\big(1 + \frac{2}{e} +ε\big)$和$\big(1 + \frac{8}{e}+ ε\big)$的多样性意识的$k$ -中位数和多样性意识的$k$ -手段分别,并认为这些比率基本上是紧假设的间隙指数时间假设。我们还提出了一个简单而实用的双准则近似算法,具有更好的运行时间限制。最后,我们提出了有效的和实用的算法。我们评估的可扩展性和有效性,我们的方法在各种各样的严格进行的实验,真实和合成数据。
2022-10-24 cs.DS math.CO
An Improved Approximation Algorithm for the Hard Uniform Capacitated k-median Problem
在$k$ -中位数问题中,给定一组位置,目标是选择至多$k$中心的子集,以使连接每个位置到其最近中心的总成本最小化。我们研究了均匀硬容量版本的$k$ -中位数问题,其中每个选定的中心只能服务于有限数量的位置。受Charikar,Guha,Tardos和Shmoys算法的启发,我们给出了一个$(6+10α)$ -近似算法,其容量增加了一个$2+\frac{2}α, α\geq 4$因子,改进了Byrka,Fleszar,Rybicki和Spoerhase提出的最佳$(32 l^2+28 l+7)$ -近似算法,其容量违反了$2+\frac{3}{l-1}, l\in \{2,3,4,\dots\}$因子.
2014-06-17 cs.DS math.OC
Generalized $k$-Center: Distinguishing Doubling and Highway Dimension
Faculty of Mathematics and Physics, Charles University(查理大学数学物理学院)
本文研究了在低倍增和高速公路维度图中广义k中心问题,提出在倍增维度下可高效近似,而在高速公路维度下参数化近似难的问题。
2025-12-23 cs.DS
The Heterogeneous Capacitated $k$-Center Problem
在本文中,我们开始研究异构容量限制$k$ -中心问题:给定一个度量空间$X = (F \cup C, d)$,和一个收集的容量。目标是在$F$中的唯一设施位置打开每个容量,并将客户端分配给设施,以便分配给任何设施的客户端数量最多为安装的容量;目标是最小化客户端与其分配的设施之间的最大距离。如果所有的能力$c_i$的是相同的,该问题成为研究充分的一致capacitated $k$ -中心问题的常数因子近似是已知的。额外的选择,确定哪些能力应该安装在哪个位置,使我们的问题大大不同于这个问题,以及非均匀的推广研究,迄今为止在文献中。事实上,我们的贡献之一是在有关的异质性问题的特殊情况下,经典的圣诞老人问题。利用这种联系,并通过设计新的算法,我们得到了以下结果:(a)一个准多项式时间的$O(\log n/ε)$ -近似,其中每个容量都被$1+\varepsilon$破坏,(b)一个多项式时间的$O(1)$ -近似,其中每个容量都被一个$O(\log n)$因子破坏.我们得到了{ \em soft-capacities}版本的改进结果,其中我们可以在同一位置放置多个设施。
2016-11-22 cs.DS
Optimal Fully Dynamic $k$-Centers Clustering
我们提出了第一个算法完全动态$k$中心聚类在任意度量空间,保持最佳的$2+ε$近似在$O(k \cdot \operatorname{polylog}(n,Δ))$摊销更新时间。这里,$n$是任何时候活动点数量的上限,$Δ$是数据的纵横比。以前,最著名的摊销更新时间是$O(k^2\cdot \operatorname{polylog}(n,Δ))$,这是由于Chan、Gourqin和Sozio。我们证明,我们的算法的运行时间是最佳的$\operatorname{polylog}(n,Δ)$因素,即使是插入只流,这关闭了完全动态的$k$中心聚类的复杂性。特别是,我们证明了任何算法的$k$ -聚类任务在任意度量空间,包括$k$ -手段,$k$ -中位数,$k$ -中心,必须至少$Ω(n k)$距离查询,以实现任何非平凡的近似因子。尽管任意度量的下限,我们证明了$k$中的更新时间次线性是可能的度量空间,允许局部敏感的哈希函数(LSH)。也就是说,我们展示了一个黑盒变换,它需要一个度量空间的局部敏感的哈希家庭,并产生一个更快的全动态$k$中心算法,该空间。特别是,对于一个大类的度量,包括欧几里德空间,$\ell_p$空间,汉明度量,和Jaccard度量,对于任何$c > 1$,我们的结果产生一个$c(4+ε)$近似$k$ -中心的解决方案,在$O(n^{1/c} \cdot \operat…
2021-12-13 cs.DS