Comparative Design-Choice Analysis of Color Refinement Algorithms Beyond the Worst Case
颜色细化是对称性检测中的一个重要子程序,无论在理论上还是在实践中都是如此.它在机器学习和线性代数的计算问题中有进一步的应用。虽然已知最差情况复杂度的严格下限[Berkholz,Bonsma,Grohe,ESA 2013],但没有对颜色细化算法的设计选择进行比较分析。我们设计了两个模型,我们可以比较颜色细化算法使用正式的方法,在线模型和近似模型。我们使用这些来表明,没有在线算法是有竞争力的对数因子之外,没有算法可以近似的最佳颜色细化分裂方案超过对数因子。我们还直接比较在实践中使用的策略,在某些图形上,基于队列的策略优于基于堆栈的对数因子,反之亦然。类似的结果也适用于基于优先级队列的策略。
2021-03-18 cs.DM cs.DS
Oracle-Efficient Online Learning for Beyond Worst-Case Adversaries
University of California, Berkeley(加州大学伯克利分校)
在本文中,我们研究了甲骨文有效的算法,超越最坏情况分析的在线学习。我们专注于两个设置。首先,[RST 11,HRS 22]的平滑分析设置,其中对手被约束为从密度上限为$1/σ$乘以均匀密度的分布生成样本。第二,设置$K$ -提示转换学习,其中学习者被给予每个时间步长对$K$提示的访问,所述提示被保证包括真实实例。我们给出了第一个已知的甲骨文有效的算法,这两个设置只依赖于伪(或VC)维的类和参数$σ$和$K$,捕捉对手的力量。特别是,我们实现了$ \widetilde{O} ( \sqrt{T dσ^{-1}} ) $和$ \widetilde{O} ( \sqrt{T dK} ) $学习实值函数和$ O ( \sqrt{T dσ^{-\frac{1}{2}} } )$学习二进制值函数的预言有效的遗憾界。对于平滑的分析设置,我们的结果给出了第一个具有平滑对手的在线学习的预言机有效算法[HRS 22]。这对比了[HK 16]建立的在线学习与最坏情况对手和离线学习之间的计算分离。我们的算法还实现了改进的界限,最坏情况下设置小域。特别地,我们给出了一个预言机有效的算法,遗憾的是$O ( \sqrt{T(d |\mathcal{X}|)^{1/2} })$,这是一个改进的早期$O ( \sqrt{T|\mathcal{X}|})$绑定[DS 16]。
2022-11-22 cs.DS cs.LG stat.ML
Clustering under Local Stability: Bridging the Gap between Worst-Case and Beyond Worst-Case Analysis
最近,人们对聚类研究产生了浓厚的兴趣,这种研究采用了超越最坏情况的方法来分析算法。典型的想法是设计一个聚类算法,输出一个接近最优的解决方案,提供的数据满足自然的稳定性概念。例如,Bilu and Linial(2010)和Awasthi et al.(2012)提出了输出近似最优解的算法,假设最优解在输入距离的小扰动下保持不变。这种方法的一个缺点是,算法通常是根据稳定性假设显式构建的,并且在最坏的情况下没有保证;事实上,最近的几个算法输出任意坏的解决方案,即使只有一小部分数据不满足给定的稳定性概念。在这项工作中,我们以两种方式解决这一问题。首先,我们提供的算法,继承聚类近似算法的最坏情况下的保证,同时保证接近最优的解决方案时,数据是稳定的。我们的算法是对现有最先进的近似算法的自然修改。其次,我们开始研究局部稳定性,这是一个单一的最优集群,而不是整个最优解的属性。我们表明,我们的算法输出所有的最佳集群,满足稳定的局部。具体而言,我们在最近的稳定性概念下,在我们的局部框架中实现了强有力的积极结果,包括度量扰动弹性(Angelidakis et al. 2017)和稳健的扰动弹性(Balcan and Liang 2012),用于$k$ -中位数,$k$ -均值和对称/非对称$k$ -中心目标。
2017-05-19 cs.DS cs.LG
Composable Sketches for Functions of Frequencies: Beyond the Worst Case
最近,人们越来越关注使用机器学习技术来改进经典算法。在本文中,我们研究当它是可能的构造紧凑的,可组合的草图加权抽样和统计估计根据数据频率的函数。这种结构现在是大规模数据分析和机器学习管道的核心组件。然而,许多常见的功能,如阈值和p > 2的p阶频率矩,在最坏的情况下需要多项式大小的草图。我们探讨了两种不同类型的假设下的最坏情况下的性能。第一个是获得关于项目频率的嘈杂建议。这延续了Hsu et al.(ICLR 2019)的工作路线,他们假设预测是由机器学习模型提供的。第二个是在有限的一类输入频率分布上提供有保证的性能,这些分布与实践中观察到的情况更好地一致。这扩展了Charikar et al.(ICALP 2002)的开创性论文中关于Zipfian分布下的重打击者的工作。令人惊讶的是,我们的分析和经验表明,“在实践中”小多面体大小的草图提供准确的“硬”功能。
2021-11-03 cs.DS
Universal Optimality of Dijkstra via Beyond-Worst-Case Heaps
本文通过设计具有工作集界限的新型堆数据结构,首次证明Dijkstra算法在运行时间和比较次数上具有通用最优性,并利用堆操作序列的局部性将其与距离顺序问题的下界耦合。
2025-05-07 cs.DS
On the Worst-case Performance of the Sum-of-Squares Algorithm for Bin Packing
装箱的平方和算法在[2]中定义,并在[1]中进行了详细研究,其中证明其最坏情况性能比最多为3。在本文中,我们改进了渐近最坏情况下的界为2.7777…
2005-09-12 cs.DS
Beyond Worst-case Analysis of Multicore Caching Strategies
每个具有多个核心共享缓存的处理器都需要实现缓存替换算法。以前的工作表明,竞争比的一大类在线算法,包括最近最少使用(LRU),随着输入的长度增长。此外,即使是像Furthest-In-Future这样的离线算法,单核缓存中的最佳算法,也无法在多核设置中竞争。这些负面的结果促使通过替代分析措施更深入地比较多核缓存算法。具体来说,对手适应在线算法的能力表明需要对在线算法进行直接比较。在本文中,我们介绍了循环分析,双射分析的推广介绍了Angelopoulos和Schweitzer [JACM'13]。循环分析抓住了双射分析的优势,同时提供了灵活性,使其更适用于各种在线问题的比较算法。特别是,我们采取的第一个步骤超出了最坏情况下的分析多核缓存算法的分析。我们使用循环分析来建立多核缓存算法之间的关系,包括LRU在引用局部性存在的情况下优于所有其他多核缓存算法的优势。
2020-11-03 cs.DC cs.DS
Beyond Worst-Case Budget-Feasible Mechanism Design
受众包等大市场应用的启发,我们重新审视了“小投标人假设”下的不可行机制设计问题。Anari,Goel和Nikzad(2018)给出了一种在最坏情况下具有最优竞争比$1-1/e$的机制。然而,我们观察到,在许多现实的情况下,他们的机制显着优于一个更简单的开放时钟拍卖由Ensthaler和Giebe(2014),虽然开放时钟拍卖只达到竞争比$1/2$在最坏的情况下。有没有一种机制可以两全其美,即,一个机制,是最坏情况下的最佳和表现良好的现实情况?我们的第一个主要结果是设计和分析的自然机制,给出了一个肯定的答案,我们上面的问题:(i)我们证明,在每一个实例中,我们的机制执行至少一样好,所有的统一机制,包括Anari,Goel,和Nikzad的和Ensthaler和Giebe的机制。(ii)此外,我们经验性地评估我们的机制在各种现实的情况下,并观察到,它击败了最坏情况下的$1-1/e$的竞争比由一个大的利润率,并比较有利的上述两种机制。我们的第二个主要结果是更有趣的理论:我们表明,在半对抗模型的平滑分析,对手设计一个单一的最坏情况下的市场的预算分布,我们的机制是最佳的所有(包括非均匀)的机制;此外,我们的机制保证严格优于$(1-1/e)$预期的竞争比任何非平凡的预算分布,无论市场。我们补充了积极的结果与任何给定的预算分布的最坏情况下的市场的特征,并证明了一个相当强大的硬度结果,对任何预算分…
2022-11-16 cs.DS cs.GT
Beyond the worst case: Distortion in impartial culture electorates
本文研究随机中立文化选民模型下的投票失真问题,发现所有投票规则平均失真均较高,但提出通过向每个智能体进行单次基数查询的机制可实现近似最优平均失真,并给出了最坏情况下的新权衡。
2024-10-12 cs.DS cs.GT
Dynamic Approximate Shortest Paths and Beyond: Subquadratic and Worst-Case Update Time
考虑以下针对经历边插入和删除的$n$ -节点图$G$的距离查询:给定两组节点$I$和$J$,返回$I\times J$中每对节点之间的距离。这个查询是相当通用的,并且捕获了动态最短路径问题的几个版本。在本文中,我们开发了一个有效的$(1+ε)$近似算法,这种查询使用快速矩阵乘法。我们的算法导致单源和所有对最短路径(SSSP和APSP),以及直径,半径和偏心率的一些开放的问题的答案。下面是一些亮点。请注意,我们所有的算法保证最坏情况下的更新时间和随机(蒙特卡罗),但不需要遗忘对手的假设。SSSP、直径、中心度等的次二次更新时间:当我们想要显式地保持与单个节点的距离时(没有查询),一个基本的问题是在每次更新后击败平凡地调用Dijkstra的静态算法,在密集图上花费$Θ(n^2)$更新时间。已知精确算法和组合任意近似算法不可能多项式地超过$Ω(n^2)$界(在某些假设下)[Roditty,Zwick,ESA'04; Abboud,V. Williams,FOCS'14]。我们的算法与$I=\{s\}$和$J=V(G)$意味着一个$(1+ε)$ -近似算法,保证$\tilde O(n^{1.823}/ε^2)$最坏情况下的更新时间为有向图与正实权重$[1, W]$。从[Roditty,V. Williams,STOC'13]的想法,我们还获得了第一次二次最坏情况下的更新时间为$(5/3+ε…
2019-10-16 cs.DS
Online Independent Set Beyond the Worst-Case: Secretaries, Prophets, and Periods
我们研究了具有有界归纳独立数的图类上的最大(权)独立集的在线算法,例如,间隔和圆盘图,例如,任务调度和频谱分配。在在线设置中,假设未知图的节点随着时间一个接一个地到达。在线算法必须决定到达节点是否应该被包括在独立集中。不幸的是,这个自然的和实际相关的在线问题不能在一个有意义的方式在一个经典的竞争分析研究的最坏情况下的输入序列的竞争比是由$Ω(n)$下界。由于最坏情况分析是没有意义的,我们研究了随机分析中的在线独立集。而不是专注于一个特定的随机输入模型,我们提出了一个通用的采样方法,使我们能够设计在线算法实现各种输入模型的性能保证。特别是,我们的分析涵盖了随机输入模型,如秘书模型,其中对抗图以随机顺序呈现,以及先知不等式模型,其中随机生成的图以对抗顺序呈现。因此,我们的采样方法在性质完全不同的随机输入模型之间架起了桥梁。此外,我们表明,我们的方法可以应用到一个实际的动机准入控制设置。我们的抽样方法产生了一个在线算法的最大独立集的竞争比$O(ρ^2)$关于所有提到的随机输入模型。对于具有归纳独立数$ρ$的图类。该方法可以扩展到最大权独立集的竞争比与$n$表示(预期)的节点数只失去一个因素的$O(\log n)$。
2013-07-11 cs.DS
A Practical and Worst-Case Efficient Algorithm for Divisor Methods of Apportionment
按比例分配是根据政党的相对选票份额分配席位的问题。除数方法是事实标准解决方案,在许多国家使用。在最近的文献中,有两种实现除数方法的算法:一种是Cheng和Eppstein(ISAAC,2014),具有最坏情况下的最佳运行时间,但很复杂,而另一种(Pukelsheim,2014)在实践中相对简单和快速,但不提供最坏情况的保证。我们证明了前一种算法在实践中比其他算法慢得多,并提出了一种新的算法,避免了两者的缺点。我们调查的三个竞争者的运行时的行为,以确定哪一个是最有用的实践。
2017-12-05 cs.DS
Worst-Case Optimal Join Algorithms: Techniques, Results, and Open Problems
最坏情况最优连接算法是一类连接算法,其运行时匹配给定连接查询的最坏情况输出大小。虽然第一个可证明的最坏情况下的最优连接算法是最近才发现的,但围绕这些算法的技术和结果是从广泛领域的数十年研究中发展出来的,这些领域将图论、算法、信息论、约束满足、数据库理论和几何不等式紧密联系在一起。这些想法不仅仅是纸质的:除了学术项目的实现,这些算法的两个变体是商业数据库和数据分析引擎的工作马连接算法。本文旨在简要介绍最坏情况下的最优连接算法的设计和分析。我们讨论了证明运行时间和输出大小界限的关键技术。我们特别关注连接算法和信息论不等式之间的迷人联系,以及如何将证明转化为算法的想法。最后,我们得出一个有代表性的清单,在这一领域的基本开放的问题。
2018-06-26 cs.DB cs.DS
Generalized Leapfrogging Samplesort: A Class of $O(n \log^2 n)$ Worst-Case Complexity and $O(n \log n)$ Average-Case Complexity Sorting Algorithms
原始的蛙跳采样排序对大小为$s$的排序样本和大小为$s+1$的未排序部分进行操作。我们将其推广到大小为$s$的排序样本和大小为$(2^k-1)(s+1)$的未排序部分,其中$k = O(1)$。我们提出了这类算法的实际实现,我们表明,最坏情况下的复杂性是$O(n \log^2 n)$和平均情况下的复杂性是$O(n \log n)$。关键词:样本排序,快速排序,蛙跳样本排序,排序,算法分析。
2018-01-29 cs.DS
Beyond Worst Case Local Computation Algorithms
本文研究了平均情形输入下的局部计算算法(LCA),在Erdos-Reyni和Preferential Attachment图模型下构建了$k$-spanner问题的简单LCA,并探索了LCA与局部访问生成器(LAG)结合生成随机图及组合结构的问题,证明了联合求解比单独处理更易。
2025-06-26 cs.DS
Deterministic Dynamic Matching In Worst-Case Update Time
我们提出了确定性算法,用于保持$(3/2 + ε)$和$(2 + ε)$ -近似最大匹配的最坏情况下的更新时间分别为$\hat{O}(\sqrt{n})$和$\tilde{O}(1)$在一个完全动态的图形。Roghani等人[2021]分别使用更新时间$O(n^{3/4})$和$O_ε(\sqrt{n})$显示了用于实现近似比$(2 - δ)$(对于任何$δ> 0$)和$(2 + ε)$的最快已知确定性最差情况更新时间算法。我们缩小了两个近似比的最差情况和摊销算法之间的差距,因为该问题的最佳确定性摊销更新时间是$O_ε(\sqrt{n})$和$\tilde{O}(1)$,分别在Bernstein和Stein [SODA'2021]以及Bhattacharya和Kiss [ICALP'2021]中显示。为了实现这两个结果,我们明确陈述了Nanongkai和Saranurak [STOC'2017]和Bernstein等人[arXiv'2020]中隐含使用的方法,该方法允许将能够批量处理输入的动态算法转换为具有最差情况更新时间的动态算法。\textbf{Independent Work:}独立于我们的工作并与我们的工作同时进行,Grandoni等人[arXiv'2021]提出了一种完全动态的算法,用于保持$(3/2 + ε)$ -近似最大匹配,具有确定性的最差情况更新时间$O_ε(\s…
2021-11-19 cs.DS
Fully Dynamic Spanners with Worst-Case Update Time
图$ G $的$α$ -图是子图$ H $,使得$ H $将$ G $的所有距离保持在因子$ α$内。在本文中,我们给出了完全动态的算法,以保持一个$ H $的图$ G $进行边插入和删除的最坏情况下保证每次更新后的运行时间。特别地,我们的算法保持:(1)具有$ \tilde O (n^{1+1/2}) $边的$3$-带最坏情况更新时间$ \tilde O (n^{3/4}) $,或(2)具有$ \tilde O (n^{1+1/3}) $边的$5$ -带最坏情况更新时间$ \tilde O (n^{5/9}) $。这些尺寸/拉伸的折衷是最好的可能(最多对数因子)。它们可以以很小的成本扩展到加权设置。我们的算法是随机的,正确的概率很高,对一个健忘的对手。我们还进一步扩展了我们的技术,以构建具有次优尺寸/拉伸权衡的$5$扳手,但改进了最坏情况的更新时间。据我们所知,这些是第一个动态的次线性最坏情况下的更新时间的保证,算法。由于已知如何使用小的摊销但大的最坏情况更新时间[Baswana et al. SODA'08]来保持最小值,因此如本文所述,获得具有强最坏情况边界的算法似乎是解决此问题的下一个自然步骤。
2016-06-25 cs.DS
Regularized Dikin Walks for Sampling Truncated Logconcave Measures, Mixed Isoperimetry and Beyond Worst-Case Analysis
ETH Zürich(苏黎世联邦理工学院)
本文提出正则化Dikin游走算法,用于从截断多胞体的对数凹分布采样,证明其混合时间优于先前方法,并扩展至弱对数凹分布及稀疏约束情形,同时给出实现细节。
2024-12-15 cs.DS cs.LG stat.CO
Faster Worst Case Deterministic Dynamic Connectivity
我们提出了一个确定性的动态连接数据结构的无向图的最坏情况下的更新时间$O\left(\sqrt{\frac{n(\log\log n)^2}{\log n}}\right)$和常数查询时间。这改进了Frederickson(STOC 1983)和Eppstein Galil,Italiano和Nissenzweig(J. ACM 1997)以前的最佳确定性最坏情况算法,该算法具有更新时间$O(\sqrt{n})$。所有其他的动态连接算法要么是随机的(蒙特卡洛),要么只有摊销的性能保证。
2015-11-03 cs.DS
Beyond Worst-Case (In)approximability of Nonsubmodular Influence Maximization
我们考虑通过选择固定数量的初始种子来最大化社交网络中的影响力传播的问题,正式称为影响力最大化问题。如果影响函数是次模的,则它允许一个$(1-1/e)$ -因子近似算法.否则,在最坏的情况下,该问题是NP-难的,难以近似到$N^{1-\varepsilon}$的因子内。本文研究是否可以通过对底层网络拓扑结构或级联模型进行假设来规避这种最坏情况下的硬度结果。我们所有的假设都是由许多现实生活中的社交网络级联驱动的。首先,我们提出了一个非常有限的网络称为(随机)分层块模型,一个特殊的情况下,充分研究(随机)块模型,其中块之间的关系承认一个树结构的一类强不可逼近的结果。我们还提供了一个动态程序为基础的多项式时间算法,最佳计算层次块模型网络的影响力最大化问题的有向变量。我们的算法表明,不可近似的结果是由于代理块之间的影响的双向性。其次,我们提出了强不可逼近的一类影响函数,“几乎”次模,称为2-quasi-submodular。我们的不可逼近性结果甚至对任何预先固定的2-拟次模$f$都成立。这一结果还表明,在影响力最大化的可逼近性方面,子模块化和非子模块化之间的“阈值”是尖锐的。
2019-12-05 cs.DS cs.SI
A tight bound on the worst-case number of comparisons for Floyd's heap construction algorithm
本文导出了Floyd的著名堆构造算法的最坏情况比较次数的一个严格界。结果表明,在最坏的情况下,最多执行2n-2μ(n)-σ(n)次比较,其中μ(n)是密钥数n的二进制表示中1的个数,σ(n)是最后一个1之后的0的个数.
2011-04-18 cs.CC cs.DS
Reduction ratio of the IS-algorithm: worst and random cases
我们研究的IS算法,一个著名的线性时间算法计算的后缀数组的一个字。该算法依赖于将输入单词$w$转换为另一个单词,称为$w$的简化单词,该简化单词至少短两倍;然后,该算法递归地计算简化单词的后缀数组。在本文中,我们研究了IS-算法的缩减比,即,输入字的长度与将输入字缩小$k$倍后的字的长度之比。我们调查最坏的情况下,我们找到精确的结果,和随机的情况下,我们证明了一些强收敛现象。最后,我们证明,如果输入的字是一个随机选择的字的长度$n$,我们不应该期望更多的$\log(\log(n))$递归函数调用。
2022-04-09 cs.DS
Online Metric Matching: Beyond the Worst Case
Stanford University(斯坦福大学);The Wharton School of Business, University of Pennsylvania(宾夕法尼亚大学沃顿商学院)
针对在线度量匹配问题,提出简化方法及预测利用框架,在平衡与不平衡市场中实现改进竞争比和首个正面结果。
2025-10-14 cs.DS
Fully-Dynamic All-Pairs Shortest Paths: Improved Worst-Case Time and Space Bounds
给定一个正经历顶点插入\emph{and}删除的有向加权图$G=(V,E)$,全对最短路径(APSP)问题要求维护一个有效处理更新的数据结构,并在每次更新后返回到当前版本$G$的距离矩阵。在两个突破性的结果中,Italiano和Demetrescu [STOC '03]提出了一种需要$\tilde{O}(n^2)$ \emph{amortized}更新时间的算法,而Thorup在[STOC '05]中表明可以实现\emph{worst-case}更新时间$\tilde{O}(n^{2+3/4})$。在这篇文章中,我们在这个问题上取得了实质性的进展。我们提出了以下新的结果:(1)我们提出了第一个确定性的数据结构,打破了$\tilde{O}(n^{2+3/4})$最坏情况下的更新时间约束的Thorup已经站了近15年。我们改进的最坏情况下的更新时间为$\tilde{O}(n^{2+5/7}) = \tilde{O}(n^{2.71..})$和$\tilde{O}(n^{2+3/5}) = \tilde{O}(n^{2.6})$的未加权图。(2)我们提出了一个简单的确定性算法与$\tilde{O}(n^{2+3/4})$最坏情况下的更新时间($\tilde{O}(n^{2+2/3})$的未加权图),和一个简单的拉斯维加斯算法与最坏情况下的更新时间$\tilde{O}(n^{2+2/3})…
2020-02-19 cs.DS
Dynamic Matching: Reducing Integral Algorithms to Approximately-Maximal Fractional Algorithms
我们提出了一个简单的随机减少全动态积分匹配算法,全动态的“近似最大”的分数匹配算法。将这种简化应用于Bhattacharya,Henzinger和Nanongkai(SODA 2017)的最近分数匹配算法,我们获得了积分问题的新结果。具体来说,我们的主要结果是一个随机的全动态$(2+ε)$近似积分匹配算法与小polylog最坏情况下的更新时间。对于$(2+ε)$ -近似机制,由于Bhattacharya等人,以前仅知道具有最坏情况polylog更新时间的\emph{fractional}全动态$(2+ε)$ -匹配算法。(SODA 2017年)的报告。我们的算法是第一个算法,保持近似匹配的最坏情况下的更新时间优于多项式,对于任何恒定的近似比。作为结果,我们还获得了第一个常数近似最坏情况的多项式对数更新时间最大权匹配算法。
2018-02-27 cs.DS
Dynamic Connectivity with Expected Polylogarithmic Worst-Case Update Time
ETH Zurich(苏黎世联邦理工学院)
本文提出一种基于核心图框架的动态连通性算法,通过交错顶点和边稀疏化,实现多对数期望最坏情况更新时间,并支持高效去随机化,获得确定性次多项式最坏情况更新时间。
2025-10-09 cs.DS
Worst-Case Optimal Radix Triejoin
最近,连接处理领域已经被一类新的多路连接算法的发现所动摇。新算法同时连接多个关系,而不是执行一系列成对连接。新的连接算法比任何现有的基于成对连接的方法都能满足更强的最坏情况运行时复杂度保证--它们在数据复杂度方面是最坏情况下的最优。这些研究工作产生了一系列的论文,记录了理论和一些实际的贡献。然而,仍然存在使新的最坏情况下的最优连接算法在以下方面真正实用的追求:(1)易于实现和(2)二级索引效率(根据为回答查询而创建的索引的数量)。在本文中,我们提出了一个简单的最坏情况下的最佳多路连接算法称为基数triejoin。Radix triejoin使用二进制编码来减少数据库的域。我们的主要技术贡献是域缩减允许属性值的位交织,从而产生查询独立的关系表示,允许在相同关系的最坏情况下计算多个查询,而无需构建额外的二级索引。我们还将核心算法推广到具有不等式约束的合取查询,并为最坏情况下的最优连接结果提供了一种新的证明技术。
2019-12-29 cs.DB cs.DS
Relative Worst-Order Analysis: A Survey
相对最差阶分析是一种评估在线算法相对质量的技术。我们调查的最重要的结果与此技术,并将其与其他质量措施。
2018-02-20 cs.DS
Worst-Case Efficient Sorting with QuickMergesort
排序问题的两个最突出的解决方案是Quicksort和Mergesort。虽然快速排序平均速度非常快,但合并排序还提供了最坏情况的保证,但需要额外的空间来存储线性数量的元素。然而,最坏情况下的有效就地排序仍然是一个挑战:标准解决方案Heapsort存在缓存行为不佳的问题,并且对于缓存内实例来说也不是太快。在这项工作中,我们提出了中位数的中位数QuickMergesort(MoMQuickMergesort),QuickMergesort的一个新的变种,它结合了Quicksort与Mergesort允许后者实施到位。我们的新变体应用中位数的中位数算法选择枢轴,以规避二次最坏的情况。事实上,我们表明,它最多使用$n \log n + 1.6n$比较$n$足够大。我们通过实验证实了理论估计,并表明新算法的性能优于堆排序,并且仅比Introsort(stdlibc++的std::sort实现)慢10%左右,这对最坏情况的保证相当差。我们还模拟了最坏的情况,它只比平均情况慢10%左右。特别是,新算法是一个自然的候选人,以取代堆排序作为一个最坏情况下的塞子在Introsort。
2018-11-02 cs.DS
Leapfrog Triejoin: a worst-case optimal join algorithm
近年来,连接算法取得了令人兴奋的发展。在2008年,Atserias,Grohe和Marx(以下简称AGM)证明了一个完整合取查询的最大结果大小的紧界,给定输入关系大小的约束。2012年,Ngo、Porat、R{é}和Rudra(以下简称NPRR)设计了一个最坏情况下运行时间与AGM边界成比例的连接算法。我们的商业数据库系统LogicBlox采用了一种新的连接算法,\emph{leapfrog triejoin},比较显着以及NPRR算法在初步的基准测试。这促使我们分析跳耦连接的复杂性。在本文中,我们建立了蛙跳triejoin也是最坏情况下的最佳,对数因子,在NPRR的意义。我们改进NPRR的结果证明,蛙跳triejoin实现最坏情况下的最优的细粒度类的数据库实例,如那些定义的约束投影基数。我们表明,NPRR是\emph{not}最坏情况下的最佳此类,给出一个反例,其中蛙跳triejoin运行在$O(n \log n)$时间相比,$Θ(n^{1.375})$时间为NPRR。实际上,蛙跳triejoin可以使用传统的数据结构(如B树)来实现,并自然地扩展到$\exists_1$查询。我们相信我们的算法提供了一个有用的除了现有的连接算法的工具箱,易于吸收,实现简单,并有一个简洁的最优性证明。
2013-12-20 cs.DB cs.DS
Dynamic Spanning Forest with Worst-Case Update Time: Adaptive, Las Vegas, and $O(n^{1/2-ε})$-Time
我们提出了两个算法,动态维护一个图的生成森林进行边插入和删除。我们的算法保证{ \em最坏情况下的更新时间}和工作对自适应对手,这意味着边缘更新可以依赖于以前的输出的算法。我们提供了长期的$O(\sqrt{n})$约束[弗雷德里克森STOC'83,Eppstein,Galil,Italiano和Nissenzweig FOCS'92]为这种类型的算法的第一个多项式的改进。以前最好的改进是$O(\sqrt{n (\log\log n)^2/\log n})$ [Kejlberg-Rasmussen,Kopelowitz,Pettie and Thorup ESA'16]。然而,我们注意到,这些界限是通过确定性算法获得的,而我们的算法是随机的。我们的第一个算法是蒙特卡罗算法,并保证$O(n^{0.4+o(1)})$最坏情况下的更新时间,其中$o(1)$项隐藏了$O(\sqrt{\log\log n/\log n})$因子。我们的第二个算法是拉斯维加斯,并保证$O(n^{0.49306})$最坏情况下的更新时间与高概率。具有更好更新时间的算法需要假设对手是不经意的(例如[Kapron,King和Mountjoy SODA'13]),或者只能保证摊销的更新时间。我们的第二个结果回答了一个开放的问题Kapron等人。据我们所知,我们的算法是几个非平凡的随机动态算法,对自适应对手。
2017-04-17 cs.DS
Worst-case time decremental connectivity and k-edge witness
我们给出了一个简单的算法递减图连接,处理边缘删除在最坏情况下的时间$O(k \log n)$和连接查询在$O(\log k)$,其中$k$是删除的边缘的数量到目前为止,并使用最坏情况下的空间$O(m^2)$。我们用这个给一个算法$k$边证人(``删除一组给定的$k$边断开两个顶点$u,v$?“)与最差情况时间$O(k^2 \log n)$和空间$O(k^2 n^2)$。对于$k = o(\sqrt{n})$,这些改进的最坏情况$O(\sqrt{n})$界删除由于Eppstein等人。我们还给出了一个递减的连接算法使用$O(n^2 \log n / \log \log n)$空间,其时间复杂度取决于韧性和输入图的独立数。最后,我们展示了如何构建一个分布式数据结构的\kvw通过给一个标签计划。这是\kvw的第一个数据结构,它可以有效地分布,而不只是给每个顶点一个整个结构的副本。其复杂性取决于能否构造具有良好性质的线性布局。
2008-10-30 cs.DS
Worst-Case Analysis of Weber's Algorithm
最近,Ken Weber介绍了一种算法,用于寻找满足$au+bv\equiv 0\pmod{k}$的$(a,b)$对,其中$0<|a|,|b|<\sqrt{k}$,其中$(u,k)$和$(v,k)$互质.它基于Sorenson和Jebelean的“$k$ -ary reduction”算法。我们提供了一个公式$N(k)$,在韦伯的GCD算法的循环中的最大迭代次数。
2013-11-28 cs.CC cs.DM cs.DS
Expander Pruning with Polylogarithmic Worst-Case Recourse and Update Time
本文提出了一种具有近最优最坏情况调整和更新时间的扩展器剪枝算法,肯定回答了[SW19]的开放问题,并结合现有技术实现了首批具有多对数近似保证的spanners和稀疏化器自适应维护算法。
2025-04-01 cs.DS
Dynamic Connectivity, Minimum Spanning Tree, and 2-Edge Connectivity with Polylogarithmic Worst-Case Update Time
ETH Zurich(苏黎世联邦理工学院)
本文提出全动态图算法,以多对数最坏情况更新时间维护连通性、最小生成树和2-边连通性,改进先前次多项式界限,并指出确定性扩展器分解可带来确定性算法。
2026-10-02 cs.DS
Parallel Batch-Dynamic Coreness Decomposition with Worst-Case Guarantees
本文提出首个具有最坏情况更新时间的并行批量动态核数分解算法,以最优工作量处理边更新批次,优于先前仅均摊保证的工作。
2025-07-08 cs.DS
Worst Case Competitive Analysis of Online Algorithms for Conic Optimization
在线优化包括在线资源分配、在线二分匹配、adwords(电子商务和广告的核心问题)和具有可分离凹回报的adwords等问题。我们分析了最坏情况下的竞争比的两个原始-对偶算法的一类在线凸(锥)优化问题,包含前面的例子作为特殊情况下定义的正正交。我们推导出一个充分条件的目标函数,保证一个恒定的最坏情况下的竞争比(大于或等于$\frac{1}{2}$)的单调目标函数。我们提供了新的例子,在线问题的正正交和半正定锥,满足充分条件。我们展示了如何平滑可以提高这些算法的竞争比,特别是可分离的功能,我们表明,最佳平滑可以通过求解凸优化问题。这一结果使我们能够直接优化竞争比约束一类平滑函数,从而设计有效的平滑定制给定的成本函数。
2016-11-02 cs.DS math.OC
Worst-Case to Average-Case Reductions via Additive Combinatorics
我们提出了一个新的框架,设计最坏情况下的平均情况下减少。对于一个大类的问题,它提供了一个显式的转换的算法运行在时间$T$,只有正确的一小部分(subconstant)的输入到算法运行在时间$\widetilde{O}(T)$是正确的所有输入。使用我们的框架,我们得到这样有效的最坏情况下,平均情况下减少基本问题的各种计算模型,即矩阵乘法算法,流算法的在线矩阵向量乘法问题,静态数据结构的线性问题,以及多元多项式评估问题。我们的技术主要依赖于加法组合学。特别是,我们展示了一个局部校正引理,它依赖于一个新的概率版本的准多项式Bogolyubov-Ruzsa引理。
2022-02-18 cs.CC cs.DS
Algorithms for new types of fair stable matchings
本文研究了不完全列表稳定婚姻问题(SMI)中寻找“公平”稳定匹配的问题。对于SMI的实例$I$,可能存在许多稳定匹配,为男性和女性的集合提供显著不同的结果。我们在SMI中引入了两个新的公平概念。首先,在所有稳定匹配中,遗憾相等的稳定匹配最小化了最差男人和最差女人的排名差异。第二,最小遗憾和稳定匹配使最差的男人和最差的女人在所有稳定匹配中的排名之和最小化。我们提出了两个新的有效的算法来找到这些类型的稳定匹配。首先,后悔-等度迭代算法在$O(d_0 nm)$时间内找到一个后悔-等度稳定匹配,其中$d_0$是最差男性和最差女性在男性最优稳定匹配中的排名绝对差,$n$是男性或女性的数量,$m$是所有偏好列表的总长度。其次,最小遗憾和算法在$O(d_s m)$时间内找到最小遗憾和稳定匹配,其中$d_s$是每个女性最优和男性最优稳定匹配中最差男性之间的排名差。比较几种类型的公平的最佳稳定匹配的实验进行,并表明,遗憾等度迭代算法产生的匹配是竞争力的其他公平性目标。另一方面,现有类型的“公平”稳定匹配没有提供接近遗憾相等的稳定匹配。
2020-04-16 cs.DS
Faster Algorithms and Constant Lower Bounds for the Worst-Case Expected Error
Chalmers University of Technology(查尔姆斯理工大学)
Chen、Valiant和Valiant最近介绍了在不对数据值进行分布假设的情况下,但了解数据汇集方法的统计估计研究(NeurIPS 2020)。在这个框架中,我们的目标是设计估计,最大限度地减少最坏情况下的预期误差。这里的预期是在来自某些群体的已知随机数据汇集过程中,并且与群体的每个元素相对应的数据值被假设为最差情况。Chen,Valiant和Valiant表明,当数据值是$\ell_{\infty}$ -归一化的,有一个多项式时间算法来计算估计的平均值与最坏情况下的预期误差是在一个因素$\fracπ{2}$内的最佳自然类的半线性估计。然而,他们的算法是基于优化一个有点复杂的凹目标函数在一组约束的半正定矩阵,因此没有明确的运行时间保证,除了多项式时间的输入。在本文中,我们设计了可证明有效的算法来逼近基于在线凸优化的最优半线性估计。在设置中的数据值是$\ell_{\infty}$规范化,我们的算法实现了一个$\fracπ{2}$近似迭代求解一系列标准的SDP。当数据值是$\ell_2$规范化的,我们的算法迭代计算矩阵序列的顶部特征向量,并且不丢失任何乘法近似因子。我们补充这些积极的结果,说明一个简单的组合条件,如果满足一个数据汇集过程,意味着任何(不一定是半线性)估计的平均值有恒定的最坏情况下的预期误差。
2021-12-27 cs.DS cs.LG
A Comparison of Performance Measures for Online Algorithms
本文提供了一个系统的研究,提出了一些措施,在线算法的背景下,一个特定的问题,即两个服务器的问题上的三个共线点。尽管这个问题很简单,但它包含了在线算法的一个核心挑战,即平衡贪婪和适应性。我们研究竞争分析,最大/最大比,随机顺序比,双射分析和相对最差顺序分析,并确定这些措施如何比较贪心算法,双覆盖,懒惰双覆盖,通常研究的算法在服务器问题的背景下。通过最大/最大值比和双射分析,我们发现贪婪算法是三种算法中最好的。在其他指标下,双重覆盖和懒惰双重覆盖更好,尽管相对最差阶分析表明贪婪有时更好。只有双射分析和相对最差阶分析表明懒惰双覆盖优于双覆盖。我们的结果也提供了第一个证明的最优性的算法下相对最差阶分析。
2012-10-12 cs.DS
Fully dynamic all-pairs shortest paths with worst-case update-time revisited
我们重新审视经典的问题,动态维护最短路径之间的所有对节点的有向加权图。允许的更新是节点及其关联边的插入和删除。我们对处理单个更新所需的时间给出了最坏情况下的保证(与相关结果相反,更新时间不会在一系列更新中摊销)。我们的主要结果是一个简单的随机算法,对于任何参数$c>1$有一个最坏情况下的更新时间为$O(cn^{2+2/3} \log^{4/3}{n})$,并回答距离查询正确的概率$1-1/n^c$,对自适应在线对手,如果图形不包含负循环。最佳确定性算法是由Thorup [STOC 2005]提出的,最差情况更新时间为$\tilde O(n^{2+3/4})$,并假设非负权重。这是十多年来对这一问题的首次改进。从概念上讲,我们的算法表明,随机化以及更直接的方法可以提供更好的界限。
2016-11-06 cs.DS
Simple Algorithms for Fully Dynamic Edge Connectivity
Weizmann Institute of Science(魏茨曼科学研究所)
针对边插入与删除下维护图边连通度的问题,提出两种简单随机算法,分别达到 $\tilde{O}(n)$ 更新时间及在高边连通度下更新与查询均为 $o(n)$ 的新最坏情况界。
2025-10-19 cs.DS
Space--Time Tradeoffs for Subset Sum: An Improved Worst Case Algorithm
Schroeppel和Shamir(SICOMP,1981)的技术长期以来一直是子集和问题的空间与时间交换的最有效方法。然而,在随机实例设置中,存在改进的权衡。特别是,最近发现的Dinur等人的解剖方法。(NIPPTO 2012)产生了显着改善的空间-时间权衡曲线的实例具有强随机性。我们的主要结果是,这些强随机性的假设可以被删除,在最坏的情况下,获得相同的空间-时间权衡。我们还表明,对于小的空间使用的解剖算法几乎可以完全并行化。我们的策略是处理任意的情况下,而是注入到解剖过程本身的随机性,通过仔细选择,但随机的复合模量的工作,并引入明确的空间-时间控制到算法的“救助机制”。
2013-03-04 cs.DM cs.DS
Worst-Case Analysis for Randomly Collected Data
MIT(麻省理工学院);Stanford University(斯坦福大学);IAS and Purdue University(高等研究院和普渡大学)
我们引入了一个统计估计框架,利用如何收集样本的知识,但不对数据值进行分布假设。具体地,我们考虑具有相应数据值$x_1,\ldots,x_n$的元素$[n]={1,\ldots,n}$的总体。我们观察“样本”集合$A \subset [n]$的值,并希望估计“目标”集合$B \subset [n]$的值的一些统计量,其中$B$可以是整个集合。重要的是,我们假设集合$A$和$B$是根据$[n]$的子集对上的一些已知分布$P$绘制的。给定的估计算法基于其“最坏情况的预期误差”来评估,其中预期是关于从中得出样本集$A$和目标集$B$的分布$P$,并且最坏情况是关于数据值$x_1,\ldots,x_n$。在这个框架内,我们给出了一个有效的算法,用于估计的目标平均值,返回一个加权组合的样本值-其中的权重是分布$P$和样本和目标集$A$,$B$的函数-并表明,最坏情况下的预期误差实现该算法是最多的乘法$π/2$因子比最佳的算法。算法和证明利用了与Grothendieck问题的惊人联系。这种框架对数据值不作分布假设,而是依赖于数据收集过程的知识,这与典型的估计有很大的不同,并为许多自然环境引入了统一的算法分析,其中样本中的成员资格可能与数据值相关,例如当采样概率如“重要性采样“中那样变化时,当个体通过社会网络被招募到样本中时,如在“滚雪球抽样”中,或者当样本具有时间顺序结构时,如在“选择性预测”中…
2020-10-26 cs.DS cs.LG stat.ML
Adaptive Out-Orientations with Applications
我们给出了一个改进的算法来保持一个全动态图的边方向,使得每个顶点的出度是有界的。一方面,我们展示了如何定向的边缘,使得每个顶点的出度是成比例的荫度$α$的图,在最坏情况下的更新时间为$O(\log^3 n \log α)$。另一方面,包括动态最大匹配的应用程序的动机,我们得到了不同的权衡,即改进的最坏情况下的更新时间的$O(\log ^2 n \log α)$的问题,保持最多$O(α+ \log n)$出边缘每个顶点的边缘方向。由于我们的算法具有最坏情况保证的更新时间,因此解决方案(即追索权)的更改次数自然是有限的。我们的算法适应当前的荫度的图,并产生比以前的工作改进:首先,我们得到了一个$O(\varepsilon^{-6}\log^3 n \log ρ)$最坏情况下的更新时间算法保持$(1+\varepsilon)$近似的最大子图密度,$ρ$。其次,我们得到了一个$O(\varepsilon^{-6}\log^3 n \log α)$最坏情况下的更新时间算法,以保持$(1 + \varepsilon) \cdot OPT + 2$近似的最佳出方向的图与自适应荫度$α$。这就产生了第一个最坏情况下的多项式对数动态算法分解成$O(α)$森林。第三,我们得到了各种荫度自适应全动态确定性算法,包括最大匹配,$Δ+1$着色,矩阵向量乘法的问题。所有更新时间都是最差情况$O(α+\log^…
2023-02-15 cs.DS
Partitioning Vectors into Quadruples: Worst-Case Analysis of a Matching-Based Algorithm
考虑一个问题,其中4k个给定向量需要被划分为k个聚类,每个聚类有四个向量。四个向量的集群称为四元组,四元组的成本是四元组中四个向量的分量最大值之和。问题是将给定的4k个向量以最小的总成本划分为k个四边形。我们分析了一个简单的基于匹配的算法,并证明了该算法是一个(3/2)-近似算法。我们进一步分析了该算法在一系列特殊情况下的性能,并证明了在一种特殊情况下,该算法是一个(5/4)-近似算法.我们的分析在所有情况下都是严密的,只有一个例外。
2018-07-05 cs.DM cs.DS
Robust Exponential Worst Cases for Divide-et-Impera Algorithms for Parity Games
McNaughton-Zielonka divide et impera算法是文献中用于确定奇偶博弈中的获胜者的最简单和最灵活的方法。尽管其理论上的最坏情况下的复杂性和负面声誉作为一个效率低下的算法在实践中,它已被证明是最好的技术之一,为解决这类游戏。此外,它被证明是抵抗下界攻击,甚至超过战略改进的方法,直到最近的一个家庭的游戏,该算法需要指数时间已由弗里德曼提供。对该族的简单分析表明,一个简单的记忆技术可以帮助算法在多项式时间内求解该族。同样的结果也可以通过利用文献中提出的基于支配分解技术的方法来实现。这些意见提出了一个问题,动态规划和游戏分解技术的适当组合,可以改善指数最坏情况下的原始算法。在本文中,我们回答这个问题否定的,通过提供一个强大的指数最坏的情况下,表明没有交织的上述技术可以帮助减轻指数性质的划分等impera方法。
2017-09-07 cs.DS cs.GT cs.LO
Beyond Worst-Case Dimensionality Reduction for Sparse Vectors
Google Research(谷歌研究院);Google Deepmind(谷歌DeepMind)
本文研究稀疏向量超越最坏情况降维:给出平均情况线性嵌入的最优下界,并针对非负稀疏向量提出非线性嵌入方法,实现更小维度且保持距离,同时证明必要性与算法改进。
2025-02-27 cs.DS cs.LG
An Experimental Study of Algorithms for Online Bipartite Matching
我们进行了实验研究的算法在线二分匹配下已知的独立同分布。输入模型与整数类型。在过去的十年中,已经有大量的努力,在设计复杂的算法,以提高最坏情况下的近似比的目标。我们的目标是确定这些算法如何在更实际的情况下执行,而不是在最坏的情况下。特别是,我们感兴趣的是,是否排名的算法,其最坏情况下的性能是一致的排名的算法,其平均情况下/实际性能。我们也感兴趣的预处理时间和实施的困难,这些算法是合理的,在实践中。为此,我们评估这些算法在不同的随机输入,以及现实生活中的实例从公开可用的存储库。我们比较这些算法对几个简单的贪婪风格的算法。文献中的大多数复杂算法都是非贪婪的(即,算法可以有意地跳过匹配具有可用邻居的节点)以简化分析。每一个这样的算法都可以变成贪婪算法,而不会损害其最坏情况下的性能。在我们的基准测试中,这些算法的非贪婪版本比它们的贪婪版本表现得更差。贪婪版本的性能与最简单的贪心算法本身一样好。这一点,连同我们的其他研究结果,表明最简单的贪心算法的竞争力与国家的最先进的最坏情况下的算法在线二分匹配许多平均情况和实际的输入家庭。贪婪性是目前在线二分匹配算法最重要的特性。
2018-08-14 cs.DS
List Factoring and Relative Worst Order Analysis
相对最差阶分析是竞争分析的一种补充或替代方法,它已被证明可以为一系列不同的在线问题提供更符合在线算法观察行为的结果。本文的贡献是双重的。首先,它增加了静态列表访问问题的在线问题的集合中,相对最坏的顺序分析给出了更好的结果。其次,也许更有趣的是,它将列表分解的非平凡补充证明技术添加到相对最差阶分析的理论工具箱中。
2010-09-29 cs.DS
A Deamortization Approach for Dynamic Spanner and Dynamic Maximal Matching
许多动态图算法有一个摊销的更新时间,而不是一个更强的最坏情况保证。但是分期数据结构不适合实时系统,在实时系统中,每个单独的操作都必须快速执行。出于这个原因,有许多最近的随机结果,旨在提供比摊销预期更强的保证。随机化算法最强的可能保证是它总是正确的(拉斯维加斯),并且具有高概率的最坏情况更新时间,这为每个高概率保持的单独操作提供了时间上的界限。在本文中,我们提出了第一多对数高概率最坏情况下的时间界的动态搜索和动态最大匹配问题。1.对于动态更新,唯一已知的$o(n)$最差情况界限是用于保持3- 1/2的$O(n^{3/4})$高概率最差情况更新时间和用于保持5- 1/2的$O(n^{5/9})$。我们给出了一个$O(1)^k \log^3(n)$高概率的最坏情况下的时间界,以维持一个$(2k-1)$ -的,这产生了第一个最坏情况下的polylog更新时间为所有常数$k$。(All上述结果保持了拉伸$2k-1$和$\tilde{O}(n^{1+1/k})$边缘的最佳折衷。2.对于动态最大匹配,或动态$2$ -近似最大匹配,没有算法与$o(n)$最坏情况下的时间界限是已知的,我们提出了一个算法与$O(\log^5(n))$高概率最坏情况下的时间;类似的最坏情况下的界限只存在于保持匹配是$(2+ε)$ -近似,因此不是最大的。我们的研究结果是使用一个新的黑盒减少,将任何数据结构与最坏情况下的…
2021-03-11 cs.DS
Dynamic graph connectivity with improved worst case update time and sublinear space
本文考虑了具有更快的最坏情况更新时间和次线性空间的全动态图算法。全动态图连通性问题如下:给定一个固定的n个节点集上的图,处理一个在线的边插入、边删除序列,以及形式为“节点a和b之间是否有路径?“2013年,第一个数据结构提出了最坏情况下的每次操作时间,这是n的多对数。在本文中,我们从时间上削减了log n的因子,每次更新的时间复杂度为O(log^4 n)。对于多项式长度的序列,我们的算法回答查询在O(log n/ \log \log n)的时间正确的高概率和使用O(n \log^2 n)字(大小为log n)。这与空间效率最高的图连通性流算法所使用的空间量相匹配。我们还表明,2-边连接可以保持使用O(n log^2 n)的字与摊销的更新时间为O(log^6 n)。
2015-09-22 cs.DS
Dynamic O(arboricity) coloring in polylogarithmic worst-case time
本文改进基于图荫度 α 的动态隐式着色算法,将颜色数降至 O(α),并把 poly(log n) 时间保证由摊还提升为最坏情况。
2024-10-25 cs.DS