k-Median clustering under discrete Fréchet and Hausdorff distances
给出了离散Fréchet距离下多边形轨迹的$k$中值聚类的第一个近似线性时间$(1+\eps)$近似算法,以及Hausdorff距离下有限点集的$k$中值聚类的第一个多项式时间$(1+\eps)$近似算法,条件是聚类中心、环境维数和$k$都有一个常数的界.主要的技术是一个通用的框架来解决聚类问题的聚类中心被限制来自一个\emph{simpler}度量空间。我们精确地描述了条件上的更简单的度量空间的集群中心,允许更快的$(1+\eps)$ -近似的$k$ -中位数问题。我们还证明了Hausdorff距离下的$k$ -中值问题是\textsc{NP-Hard} .
2020-04-01 cs.CG
Computing the Discrete Fréchet Distance in Subquadratic Time
弗雷歇距离是两条曲线$A$和$B$之间的相似性度量:非正式地,它是连接狗(被约束为在$A$上)和其主人(被约束为在$B$上)所需的皮带的最小长度,因为它们沿着各自的曲线从一个端点到另一个端点行走而不回溯。这种度量相对于其他度量(如Hausdorff距离)的优势在于它考虑了曲线上点的排序。离散的Fréchet距离将狗和它的主人替换为一对青蛙,这对青蛙只能分别驻留在曲线$A$和$B$上的$n$和$m$特定的鹅卵石上。这些青蛙从一个鹅卵石跳到另一个鹅卵石,没有回头路。离散Fréchet距离可以通过相当简单的二次动态规划算法来计算。然而,尽管有相当多的工作在这个问题及其变化,有没有次二次算法已知,即使是近似版本的问题。在本文中,我们提出了一个次二次算法计算离散Fréchet距离之间的两个序列的点在平面上,各自的长度$m\le n$。该算法在$O(\dfrac{mn\log\log n}{\log n})$时间内运行,并使用$O(n+m)$存储。我们的方法使用几何的问题,以一种微妙的方式编码的青蛙作为一个有限自动机的状态的法律地位。
2012-04-24 cs.CG
SETH Says: Weak Fréchet Distance is Faster, but only if it is Continuous and in One Dimension
我们表明,减少从正交向量的问题,算法与强次二次运行时间不能近似曲线之间的Fréchet距离优于一个因素$3$,除非SETH失败。我们发现,类似的减少不能达到一个比$3$更好的因素的下限。我们的下界保持连续的,离散的,和弱离散Fréchet距离,甚至在一维曲线。有趣的是,连续弱Fréchet距离的行为不同。我们的下限仍然适用于二维和更高维的曲线。然而,对于一维曲线,我们提供了一个精确的算法来计算弱Fréchet距离在线性时间。
2018-07-23 cs.CG
Adaptive Computation of the Discrete Fréchet Distance
离散Fr{é}chet距离是点序列之间的相似性的度量,其允许提取两条曲线之间的分辨率差异,近似曲线之间的原始Fr{é}chet距离。使用经典的动态编程技术,可以在$O(nm)$内的时间和$O(n+m)$内的空间中计算相应长度$n$和$m$的序列之间的这种距离,除非强指数假设被证明是不正确的,否则在最坏的情况下,复杂度可能在类似长度的序列上是最优的。我们提出了一个参数化分析的计算复杂性的离散Fr{é}chet距离的形式的区域的动态程序矩阵的相关计算,衡量其\emph{certificate width} $ω$。我们证明了离散Fr{é}chet距离可以在时间上在$((n+m)ω)$中计算,在空间上在$O(n+m+ω)$中计算.
2018-06-04 cs.CG
Lower Bounds for the Complexity of the Voronoi Diagram of Polygonal Curves under the Discrete Frechet Distance
给出了离散Frechet距离下多边形曲线的沃罗诺伊图的组合复杂度的下界。我们证明了R^d中n条曲线的沃罗诺伊图的复杂度为Ω(n^{dk})(d= 1,2)和Ω(n^{d(k-1)+2})(d>2).
2007-08-14 cs.CC cs.CG
Cubic upper and lower bounds for subtrajectory clustering under the continuous Fréchet distance
在运动数据中检测通勤模式或迁移模式是计算运动分析中的一个重要问题。给定一个轨迹或一组轨迹,这对应于聚类相似的子轨迹。我们研究连续和离散Fréchet距离下的子轨迹聚类。最相关的理论结果来自Buchin等人(2011)。在连续情况下,它们提供了一个$O(n^5)$时间算法和一个3SUM硬度下限,在离散情况下,一个$O(n^3)$时间算法。我们表明,在连续的情况下,一个$O(n^3 \log^2 n)$时间算法和3 OV-硬度下限,并在离散的情况下,一个$O(n^2 \log n)$时间算法和二次下界。我们的边界几乎是紧密的,除非赛斯失败。
2021-10-29 cs.CG
Transforming Dogs on the Line: On the Fréchet Distance Under Translation or Scaling in 1D
针对一维曲线,提出平移和缩放下 Fréchet 距离的算法,运行时间为 O(n^{8/3} log^3 n),匹配离散情况并改进先前 O(n^4) 界限。
2025-01-22 cs.CG
$(5+ε)$-Approximation of Fréchet Distance in Strongly Subquadratic Time
University of Illinois Urbana-Champaign(伊利诺伊大学厄巴纳-香槟分校)
针对\(\mathbb{R}^d\)中两条多边形曲线的连续和离散弗雷歇距离,提出随机化\((5 + \epsilon)\)近似算法,通过直接验证可达性改进近似,结合双尺度搜索等提升运行效率,改进了现有强次二次常数因子近似算法。
2026-07-17 cs.CG
Fréchet Distance in the Imbalanced Case
University of Bonn(波恩大学)
研究证明了在不平衡情况下,1D离散弗雷歇距离无法在特定时间内近似,同时提出了适用于任意维度和L_p空间的近似算法。
2026-02-10 cs.CG
Fréchet Distance for Uncertain Curves
本文系统分析不确定曲线间离散与连续 Fréchet 距离的上下界及期望值,证明多种 NP/#P 困难性,并给出 FPTAS、近似算法与 Sakoe–Chiba 限制下的多项式算法。
2020-04-24 cs.CG
Voronoi Diagram of Polygonal Chains under the Discrete Fréchet Distance
在许多应用中,如模式识别和蛋白质结构比对,多聚体链是基本对象。描述两个多边形链相似性的一个著名的度量是著名的Frèchet距离。本文首次研究了离散Frèchet距离下$d$ -维($d=2,3$)多边形链的沃罗诺伊图.给定$d$维中的$n$多边形链${\cal C}$($d=2,3$),每个多边形链都有至多个$k$顶点,通过给出{\em VD} $_F({\cal C})$的第一个已知的上、下界,证明了这种沃罗诺伊图{ \em VD} $_F({\cal C})$的基本性质.
2007-05-19 cs.CC cs.CG
The Discrete and Semi-continuous Fréchet Distance with Shortcuts via Approximate Distance Counting and Selection Techniques
\emph{Fréchet distance}是一种研究得很好的曲线之间的相似性度量。\emph{discrete Fréchet distance}是一种类似的相似性度量,定义用于$m$点的序列$A$和$n$点的序列$B$,其中点通常从输入曲线中采样。在本文中,我们考虑一个变种,称为\emph{discrete Fréchet distance with shortcuts},它捕获(采样)曲线之间的相似性存在离群值。对于\emph{two-sided}的情况下,在两条曲线的捷径是允许的,我们给出了一个$O((m^{2/3}n^{2/3}+m+n)\log^3 (m+n))$时间算法来计算这个距离。当捷径只允许在一个含噪声的曲线,我们给出了一个更快的随机算法,运行在$O((m+n)^{6/5+\varepsilon})$预期的时间,任何$\varepsilon>0$。我们的技术是新颖的,并可能找到进一步的应用。一个主要的新技术成果是:给定两组点$A$和$B$和一个间隔$I$,我们开发了一个算法,决定是否对$(x,y)\in A\times B$的距离${\rm dist}(x,y)$是在$I$,小于一些给定的阈值$L$。该算法的运行时间随着$L$的增加而减少。在存在多于$L$对的点的情况下,其距离在$I$中,我们可以得到包含近似中值距离处的对的对的小样本(即,我们可以近似地“平分…
2016-09-07 cs.CG
Locally Correct Frechet Matchings
Frechet距离是比较两条曲线的度量,它基于这些曲线之间的单调匹配。我们把导致弗雷歇距离的匹配称为弗雷歇匹配。通常有许多不同的弗雷歇匹配,并不是所有这些都能很好地捕捉曲线之间的相似性。我们建议限制设置的Frechet匹配的“自然”匹配,并为此引入本地正确的Frechet匹配。我们证明了至少存在一个这样的匹配两个多边形曲线,并给出了一个O(N^3 log N)的算法来计算它,其中N是在两条曲线的边的总数。我们还提出了一个O(N^2)的算法来计算一个局部正确的离散Frechet匹配。
2012-06-27 cs.CG
On the Discrete Fréchet Distance in a Graph
本文研究了图上路径和游走的离散Fréchet距离,利用平面图结构和距离预言机提出了针对最短路径和近似最短路径的快速近似算法,并证明了次二次运行时间所需的条件下界。
2022-01-13 cs.CG
Approximating the Fréchet Distance for Realistic Curves in Near Linear Time
提出了一种简单实用的曲线间Frechet距离的$(1+\eps)$ -近似算法。为了分析这个算法,我们引入了一个新的现实家庭的曲线,$c$包装曲线,这是封闭的简化。我们相信$c$ -填充曲线的概念是独立的兴趣。我们表明,我们的算法具有接近线性的运行时间$c$包装曲线,并显示类似的结果,为其他输入模型。
2012-01-29 cs.CG
Shaving Two Logs for Discrete and Continuous Fréchet Distance
Siebel School of Computing and Data Science, University of Illinois at Urbana-Champaign(伊利诺伊大学厄巴纳-香槟分校赛贝尔计算与数据科学学院);Department of Computer Science, University of California, Santa Barbara(加州大学圣塔芭芭拉分校计算机科学系)
该研究针对离散与连续Fréchet距离问题,提出了三种改进时间复杂度的确定性或随机算法,达到了当前技术水平的自然极限。
2026-10-14 cs.CG
Fréchet Distance for Curves, Revisited
$\renewcommand{\Re}{{\rm I\!\hspace{-0.025em} R}} \newcommand{\eps}{\varepsilon} \newcommand{\SetX}{\mathsf{X}} \newcommand{\VorX}[1]{\mathcal{V} \pth{#1}} \newcommand{\Polygon}{\mathsf{P}} \newcommand{\Space}{\overline{\mathsf{m}}} \newcommand{\pth}[2][\!]{#1\left({#2}\right)}$我们重新讨论了在$L_1$、$L_2$和$L_\infty$范数下计算多边形曲线之间的Fréchet距离的问题,重点是离散Fréchet距离,其中只考虑顶点之间的距离。我们开发了两个自然类的曲线的有效算法。特别地,给定两条各自具有$n$顶点的多边形曲线,如果其中一条曲线是\emph{$κ$-bounded},则可以在三维中在大致$O(nκ^3\log n/\eps^3)$时间内计算它们的离散Fréchet距离的$\eps$ -近似。以前,只有$κ$近似算法是已知的。如果这两条曲线都是所谓的\emph{\backbone~curves},在分子生物学中被广泛用于蛋白质骨架的建模,我们可以在二维中近似线性时间的$\eps$ -近似它们的弗…
2015-04-28 cs.CG
Discrete Fréchet Distance Oracles
针对一条曲线已知的离散 Fréchet 距离查询,本文构造近线性规模、次线性查询的预言机,并扩展至树路径及新提出的 $t$-局部图。
2024-04-05 cs.CG
When Lipschitz Walks Your Dog: Algorithm Engineering of the Discrete Fréchet Distance under Translation
考虑一个自然的问题,即如何通过一个在曲线平移下不变的量来度量平面中曲线的相似性。每当我们的目标是量化曲线形状的相似性而不是它们在平面中的位置时,这样的测量是合理的,例如,来比较手写字符的相似性。也许最自然的概念是平移下的(离散的)弗雷歇距离。不幸的是,关于这个问题的算法文献产生了一个非常悲观的观点:在具有$n$顶点的多边形曲线上,最快的算法在时间上运行$O(n^{4.667})$,并且不能在$n^{4-o(1)}$以下改进,除非强指数时间假设失败。我们还能得到一个在现实数据集上有效的实现吗?受最近实现的Fréchet距离的令人惊讶的性能的刺激,我们在平移下对Fréchet距离进行算法工程。我们的解决方案结合了快速,但不精确的工具,从连续优化(具体来说,分支定界算法的全局Lipschitz优化)与精确的,但昂贵的算法,从计算几何(具体来说,问题特定的算法的基础上安排建设)。我们结合这两个成分,以获得一个精确的决定算法的Fréchet距离下的翻译。对于计算距离值达到所需精度的相关任务,我们设计并比较了不同的方法。在涉及手写字符和路线轨迹的基准测试集上,我们的实现在标准桌面硬件上回答了几毫秒到一秒的范围内的典型查询。我们相信,我们的实现将使在应用程序中使用的翻译下的Fréchet距离,而以前的方法在计算上是不可行的。
2020-08-17 cs.CG cs.DS
Static and Streaming Data Structures for Fréchet Distance Queries
给定一条曲线$P$,其中点在$\mathbb{R}^d$中,以流的方式,以及参数$\varepsilon>0$和$k$,我们构造一个使用$O(\frac{1}{\varepsilon})^{kd}\log\varepsilon^{-1}$空间的距离预言机,并且给定一条查询曲线$Q$,其中点在$\mathbb{R}^d$中,在$\tilde{O}(kd)$时间内返回$Q$和$P$之间的离散Fréchet距离的$1+\varepsilon$近似。此外,我们构造简化的流模型,Oracle的距离查询的子曲线(在静态设置),并引入放大的问题。我们的算法工作在任何维度$d$,因此,我们推广了一些有用的工具和算法的曲线下的离散Fréchet距离有效地工作在高维。
2020-07-21 cs.CG cs.DS
Walking Your Frog Fast in 4 LoC
针对离散 Fréchet 距离递归算法不适合现代硬件的问题,提出无递归、线性内存开销的 Fast Fréchet Distance 算法,仅4行代码即可实现,并在 CPU 和 GPGPU 上验证其高效性能。
2024-04-08 cs.CG
Data Structures for Approximate Discrete Fréchet Distance
本文针对欧几里得空间和一般测地度量空间中的c-packed曲线,提出了近线性时间的近似连续Fréchet距离静态算法,并构建了首个支持快速查询离散Fréchet距离的数据结构及多种扩展。
2024-09-26 cs.CG cs.DS
On Fréchet Traveling Salesmen Problems
The Open University of Israel(以色列开放大学)
研究在给定点集上构造两条曲线,使得它们之间的Fréchet距离最小,并提出了离散Fréchet距离下的近线性算法,证明了连续Fréchet距离下问题的NP难性。
2026-05-31 cs.CG
On the hardness of computing an average curve
我们研究了在Fréchet距离和相关距离测度的度量空间中$k$ -median和$k$ -center目标下聚类曲线的复杂性。最近的硬度的最小封闭球问题的Fréchet距离下的结果的基础上,我们表明,也$1$ -中位数问题是NP-困难的。进一步证明了以曲线个数为参数的$1$ -中值问题是W[1]-困难的.我们在离散和连续的Fréchet和动态时间弯曲(DTW)距离下证明了这一点。这产生了布尔托等人2018年早期结果的独立证明,用于使用平方距离的DTW变体,其中新的证明更简单,更通用。在积极的一面,我们给近似算法的问题的变种,中心曲线可能有复杂性最多$\ell$下的离散Fréchet距离。特别是,对于固定的$k,\ell$和$\varepsilon$,我们给$(1+\varepsilon)$ -近似算法的$(k,\ell)$ -中位数和$(k,\ell)$ -中心的目标和多项式时间精确算法的$(k,\ell)$ -中心的目标。
2020-02-15 cs.CG
Probabilistic embeddings of the Fréchet distance
Fréchet距离是一种流行的曲线距离度量,它自然适用于基本的计算任务,例如聚类,最近邻搜索和相应度量空间中的球形范围搜索。然而,其固有的复杂性在实践中提出了相当大的计算挑战。为了解决这个问题,我们研究失真的概率嵌入,结果从投影曲线到一个随机选择的线。这样的嵌入可以与例如位置敏感散列结合使用。我们表明,在最坏的情况下,在合理的假设下,离散Fréchet距离的两个多边形曲线的复杂性$t$在$\mathbb{R}^d$,其中$d\in\lbrace 2,3,4,5\rbrace$,降低了一个因素的线性$t$与恒定的概率。我们显示上界和下界的失真。我们还评估了我们的研究结果经验的基准数据集。初步的实验结果与我们的下限形成鲜明对比。它们表明,高度扭曲的投影在实践中很少发生,并且仅用于强条件输入曲线。关键词:Fréchet距离,度量嵌入,随机投影
2018-08-06 cs.CG
Time Window Frechet and Metric-Based Edit Distance for Passively Collected Trajectories
现代定位技术的进步和移动设备的广泛普及为我们提供了收集和挖掘人类移动轨迹的巨大机会。在这项工作中,我们专注于被动收集的轨迹,这是移动实体访问的时间戳位置的序列。为了分析这样的轨迹,一个关键部分是两个轨迹之间的相似性度量。我们提出了时间窗口的弗雷歇距离,它强制执行的两个轨迹,可以在计算中配对的弗雷歇距离,和基于度量的编辑距离,它结合了基本的度量的插入和删除成本的计算点之间的最大时间间隔。使用这些措施,我们可以集群轨迹推断群体运动模式。我们看看$k$收集问题,要求每个集群至少有$k$轨迹。我们证明了在编辑距离、基于度量的编辑距离和Jaccard距离下,k-聚集仍然是NP-难的。最后,我们改进了离散Frechet距离的已有结果,证明了在二维的情形下,不存在逼近因子小于$1.61$的强次二次时间,除非SETH失效.
2022-04-21 cs.CG
Barking dogs: A Fréchet distance variant for detour detection
本文提出吠叫距离这一非对称曲线相似性度量,用于检测折线Q中相对于P的离群点,并在离散、半离散和连续三种设定下给出计算算法及基于SETH的下界。
2024-02-20 cs.CG
A Dimension-Reducing Fréchet Simplification Oracle
Department of Computer Science and Engineering, Tandon School of Engineering, New York University(纽约大学坦顿工程学院计算机科学系);The Stein Faculty of Computer and Information Science, Ben-Gurion University of the Negev(内盖夫本古里安大学斯坦计算机与信息科学学院)
该研究构建了适用于多边形曲线、几何树及ℝᵈ中曲线的降维Fréchet简化神谕数据结构,可高效处理查询以找到满足离散Fréchet距离最小或近似最小的顶点受限曲线。
2026-09-02 cs.CG
The VC Dimension of Metric Balls under Fréchet and Hausdorff Distances
Vapnik-Chervonenkis维数为集合系统提供了复杂性的概念。如果VC维很小,那么知道这一点可以大大简化基本的计算任务,如分类,范围计数和密度估计,通过使用采样边界。我们分析集系统的地面集$X$是一组多边形曲线在$\mathbb{R}^d$和集$\mathcal{R}$是度量球定义的曲线相似性度量,如Fréchet距离和Hausdorff距离,以及它们的离散对应。我们推导出VC维上的上界和下界,这意味着在曲线的数量很大的设置中有用的采样界,但单个曲线的复杂性很小。我们的上界在定义范围的曲线的复杂性上是近二次的或近线性的,并且在定义基集的曲线的复杂性上是对数的。
2019-11-15 cs.CG
Why walking the dog takes time: Frechet distance has no strongly subquadratic algorithms unless SETH fails
Frechet距离是一个研究得很好的,非常流行的两条曲线相似性的度量。自从Alt和Godau在1991年把这种测度引入到计算几何中以来,已经研究了许多变体和扩展。他们原来的算法计算两个多边形曲线的弗雷歇距离与n顶点有一个运行时间为O(n^2 log n)。20多年后,大多数变体的最新算法仍然需要超过O(n^2 / log n)的时间,但没有匹配的下限是已知的,即使在合理的复杂度理论假设下也是如此。为了得到一个有条件的下界,在本文中,我们假设强指数时间假设,或者更准确地说,对于任何delta > 0,CNF-SAT都没有O*((2-delta)^N)算法。在这个假设下,我们证明了Frechet距离不能在强次二次时间内计算,即,时间复杂度为O(n^{2-delta})。这意味着找到更快的弗雷歇距离算法与找到更快的CNF-SAT算法一样困难,并且可以认为不太可能存在强次二次算法。我们的结果适用于连续和离散的Frechet距离。我们在不同的方向上推广了主要结果。基于同样的假设,我们(1)证明了不存在强次二次1.001-近似,(2)在两条曲线的顶点数不平衡的情况下给出了严格的下界,(3)检验了现实的输入假设(c-填充曲线)。
2014-07-31 cs.CG
Computing the Fréchet Distance Between Uncertain Curves in One Dimension
本文研究顶点位置不确定时曲线间 Fréchet 距离的计算问题,提出首个通用算法框架,证明一维区间不确定情形可在多项式时间内求解,并揭示最大化版本及离散弱 Fréchet 距离在一维中的 NP 难性。
2021-05-20 cs.CG
The Fréchet Distance Unleashed: Approximating a Dog with a Frog
University of Illinois(伊利诺伊大学);University of Texas at Dallas(德克萨斯大学达拉斯分校)
本文提出了一种基于迪杰斯特拉/普里姆算法的弗雷歇距离近似方法,通过局部最优的变形实现高效计算,能更自然地处理噪声,提升实际应用价值。
2025-12-31 cs.CG
On the complexity of range searching among curves
现代跟踪技术已经使得大量密集采样的移动对象轨迹的收集广泛可用。我们认为一个基本的问题时遇到的分析这样的数据:给定$n$多边形曲线$S$在$\mathbb{R}^d$,预处理$S$到一个数据结构,回答查询曲线$q$和半径$ρ$的曲线$S$有\Frechet距离最多$ρ$到$q$。我们开始全面分析的空间/查询时间权衡这个数据结构化问题。我们的下限意味着,在指针模型模型中,任何达到$Q(n) + O(k)$查询时间的数据结构,其中$k$是输出大小,在最坏的情况下,必须使用大约$Ω\left((n/Q(n))^2\right)$空间,即使查询仅仅是点(对于离散的\Frechet距离)或线段(对于连续的\Frechet距离)。更重要的是,我们表明,更复杂的查询和输入曲线导致额外的对数因子的下限。粗略地说,添加的对数因子的数量与添加到查询和输入曲线复杂度的边的数量成线性关系。这意味着空间/查询时间的权衡是由输入和查询复杂性的指数因子决定的。这种行为解决了范围搜索文献中的一个悬而未决的问题:是否有可能避免在多级分区树的空间和查询时间中使用额外的对数因子。我们对这个问题的回答是否定的。在积极的一面,我们表明,我们可以建立数据结构的\Frechet距离使用半代数范围搜索。我们的离散\Frechet距离的解与下限一致,因为数据结构中的级别数是$O(t)$,其中$t$表示曲线的最大顶点数。对于连续的\F…
2017-07-15 cs.CG
On computing the (exact) Fréchet distance with a frog
University of Copenhagen(哥本哈根大学);IT University of Copenhagen(哥本哈根信息技术大学)
本文重新审视青蛙方法,解决了其精确性、收敛性和简化技术的局限性,并提出新的方法保证精确性、多项式时间收敛和无损简化。通过实验证明,尽管精确计算引入开销,但方法在最坏情况或平均情况下表现更优,且现有实现仍优于青蛙方法。
2025-12-09 cs.CG cs.DS
Random projections for curves in high dimensions
现代时间序列分析需要能够处理固有的高维数据集;例如气候学中的应用,其中必须考虑来自众多传感器的测量结果,或大型商店的库存跟踪,其中维度由跟踪项目的数量定义。减轻由数据的高维性引起的计算问题的标准方法是通过应用某种保留周围空间的结构属性的降维技术。两个时间序列之间的不相似性通常由“离散”距离概念来衡量,例如动态时间扭曲或离散弗雷歇距离。由于所有这些距离函数都是直接在时间序列的点上计算的,因此它们对不同的采样率或间隙敏感。连续Fréchet距离提供了一种流行的替代方案,其目的是通过考虑多边形曲线上的所有点来缓解这一问题,该多边形曲线通过在序列中的任何两个连续点之间进行线性插值而获得。研究了随机投影通过有效降维保持多边形曲线连续Fréchet距离的能力。特别是,我们表明,可以减少维数为$O(ε^{-2} \log N)$,其中$N$是输入点的总数,同时保持任何两个确定的多边形曲线之间的连续Fréchet距离的一个因素内的$1\pm ε$。最后,我们的应用程序集群。
2023-02-14 cs.CG
Coresets for $k$-median clustering under Fréchet and Hausdorff distances
当聚类中心被限制为低复杂度时,我们给出了计算多边形曲线(在离散和连续的Fréchet距离下)和点集(在Hausdorff距离下)的$(1+\varepsilon)$ -近似$k$ -中值聚类的核心集的算法。我们是第一个这样的结果,其中coreset的大小与要聚类的输入曲线/点集的数量无关(尽管它仍然取决于每个输入对象的最大复杂度)。具体来说,对于任何$δ> 0$,核心集的大小都是$Θ\left(\frac{k^3lm^δd}{\varepsilon^2}\log\left( \frac{kl}{\varepsilon}\right)\right)$,其中$d$是环境维度,$m$是输入曲线/点集中的最大点数,而$l$是聚类中心允许的最大点数。我们正式描述了一个一般条件的限制空间的集群中心-这有助于我们推广和应用的重要性采样框架,这是由Langberg和Schulman用于计算coresets的$k$ -中值聚类的$d$ -维点的赋范空间在$\mathbb{R}^d$,聚类曲线和点集使用的Fréchet和Hausdorff度量的问题。粗略地说,该条件对簇中心的有限空间可以击中的度量球的不同组合的数量设置了上限。我们还推导出下限的coreset的大小,给定的限制,coreset必须是一个子集的输入对象。
2021-04-25 cs.CG
Approximating The p-Mean Curve of Large Data-Sets
一组分段线性函数,称为折线,$P_1,\ldots,P_L$,每一个都有最多的$n$顶点,可以简化为一个$M$与$k$顶点,使得弗雷歇距离$ε_1,\ldots,ε_L$到这些折线中的每一个在$L_p$距离下最小化。我们将$M$ for $L_p$ with $p\geq 1$称为$p$ -平均曲线($p$ -MC)。我们讨论了$p\geq 1$,其中$L_p$距离满足三角不等式,并且对于大多数$p$值,以前没有讨论过$p$ -mean。对于$L=Ω(1)$和$p$的某些值,计算$p$ -平均值是NP-难的,因此我们讨论近似算法。给出了$L=2$和$p\geq 1$的$O(n^2\log k)$时间精确算法。此外,我们减少了Fréchet距离的离散Fréchet距离增加了一个因素$2$ $k$和$ε$。然后,我们使用我们的精确算法找到一个$3$ -近似$L>2$在$\operatorname{poly}(n,L)$时间。我们的方法是基于一个推广的自由空间图(FSD)的Fréchet距离和可组合的核心集的近似摘要。
2021-08-27 cs.CG
Can we Compute the Similarity Between Surfaces?
由参数化曲线或曲面表示的形状的相似性的合适度量是Fréchet距离。虽然已知有效的算法用于计算多边形曲线的Fréchet距离,但三角化曲面的相同问题是NP难的。此外,它是否是可计算的仍然是开放的。在这里,使用离散近似,我们表明它是{ \em上半可计算的},即,有一个不停机的图灵机,它产生一个收敛到结果的有理数的单调递减序列。因此,判定问题,即两个给定曲面的Fréchet距离是否低于某个指定值,是递归可逼近的。此外,我们表明,一个宽松的版本的问题,计算{ \em弱Fréchet距离}可以解决在多项式时间。为此,我们给出了一个可计算的表征弱Fréchet距离的几何数据结构称为{ \em自由空间图}。
2007-03-02 cs.CC cs.CG
On the Chain Pair Simplification Problem
在3D中有效计算和可视化一对蛋白质骨架之间的结构相似性的问题导致Bereg等人提出了链对简化问题(CPS)。在这个问题中,给定两个多边形链$A$和$B$的长度分别为$m$和$n$,需要同时简化它们,使得每个得到的简化链$A'$和$B'$的长度至多为$k$,并且$A'$和$B'$之间的离散\frechet \距离至多为$δ$,其中$k$和$δ$是给定的参数。本文研究了离散\frechet \距离(CPS-3F)下CPS的复杂性,即,其中简化的质量也由离散的\frechet \距离来测量。自2008年CPS-3F提出以来,其复杂性一直是开放的。然而,认为它是\npc,因为在Hausdorff距离下的CPS(CPS-2 H)显示为\npc。我们首先证明,CPS-3F的加权版本确实是弱\npc \,即使在线上,从集合划分问题的基础上减少。然后,我们证明CPS-3F实际上是多项式可解的,通过提出相应的最小化问题的$O(m^2n^2\min\{m,n\})$时间算法。事实上,我们证明了一个更强的声明,这意味着,例如,如果权重只分配给其中一个链的顶点,那么问题仍然是多项式可解的。我们还研究了一些不太严格的CPS的变种,并提出了有效的解决方案。最后,我们提出了一些实验结果表明,CPS-3F(的最小化版本)是显着优于以前的算法的激励生物应用。
2014-12-02 cs.CG
Applied Similarity Problems Using Frechet Distance
在本文的第一部分中,我们考虑了一个Frechet距离问题的例子,其中沿着曲线的每一段的遍历速度被限制在一个指定的范围内。该设置比经典的Frechet距离设置更真实,特别是在GIS应用中。我们还研究了这个问题的设置中的多边形曲线内的一个简单的多边形。在本论文的第二部分,我们提出了一个数据结构,称为自由空间映射,使我们能够有效地解决几个变种的弗雷歇距离问题。我们的数据结构封装了自由空间图中所有可用的信息,但它能够有效地回答更一般类型的查询。由于自由空间映射具有与标准自由空间图相同的大小和构造时间,因此它可以被看作是标准自由空间图的一个强有力的替代。作为论文第二部分的部分结果,我们利用自由空间映射改进了计算部分Frechet距离的长期界,并得到了计算两条闭合曲线之间的Frechet距离的改进算法,以及所谓的最小/最大行走问题。我们还改进了地图匹配算法的情况下,地图是一个有向无环图。作为本文的最后部分,给定R^d中的点集S和多边形曲线P,我们研究了通过S寻找一条多边形曲线Q的问题,该曲线到P的弗雷歇距离最小。此外,如果该问题要求曲线Q访问S中的每一个点,我们证明它是NP完全的。
2013-07-25 cs.CG cs.DS
Map Matching with Simplicity Constraints
我们研究了一个地图匹配问题,即在嵌入图中找到一条到R^2中给定曲线的距离较短的路径。Fréchet距离是这个问题的常用度量。存在有效的方法来根据该度量计算最佳路径。然而,即使给定的曲线是简单的,这些方法也不能保证结果是简单的(即它本身不相交)。本文证明了:对于一个到给定简单闭曲线至多有给定Fréchet距离的图,判定其平面直线嵌入中存在简单圈的问题实际上是NP-完全的.我们还考虑了我们的一些变种的问题证明的影响。
2013-06-12 cs.CG
Four Soviets Walk the Dog-Improved Bounds for Computing the Fréchet Distance
给定平面上的两条多边形曲线,有许多方法可以定义它们之间的相似性。一个常用的测量方法是Fréchet距离。自1992年Alt和Godau提出以来,已有许多变体和扩展被研究。尽管如此,即使在20多年后,Alt和Godau用于计算Fréchet距离的原始$O(n^2 \log n)$算法仍然是最先进的(这里,$n$表示每条曲线上的边数)。这导致Helmut Alt猜想相关的决策问题是3SUM-困难的。在最近的工作中,Agarwal等人展示了如何打破Fréchet距离离散版本的二次障碍,其中考虑点序列而不是多边形曲线。在他们工作的基础上,我们给出了一个在指针机器上计算两条多边形曲线在时间上的Fréchet距离的随机算法$O(n^2 \sqrt{\log n}(\log\log n)^{3/2})$和在字RAM上计算两条多边形曲线在时间上的Fréchet距离的随机算法$O(n^2(\log\log n)^2)$.此外,我们证明了存在一个代数决策树的决策问题的深度$O(n^{2-\varepsilon})$,一些$\varepsilon > 0$。我们认为,这揭示了这个研究得很好的问题的一个有趣的新方面。最后,我们展示了如何获得第一次次二次算法计算弱Fréchet距离的字RAM。
2017-02-13 cs.CG cs.DS
Fréchet Distance in Subquadratic Time
本文针对两条多边形曲线Fréchet距离计算长期存在的二次时间障碍,提出首个在m = Ω(n^ε)条件下以o(mn)期望时间运行的算法,突破了近三十年的计算下界。
2024-10-18 cs.CG cs.DS
Property Testing of Curve Similarity
本研究提出两种亚线性算法,通过查询预言机在常数概率下判定两条t-近似最短路径曲线的离散/连续Fréchet距离是否满足相似性要求,为曲线相似性属性测试提供高效方案。
2025-09-04 cs.CG
Sublinear data structures for short Fréchet queries
我们研究度量数据结构曲线加倍空间,如运动物体的轨迹在欧几里德$\mathbb{R}^d$,其中两条曲线之间的距离是使用离散Fréchet距离测量。我们在\emph{asymmetric}设置中设计数据结构,其中输入是一条曲线(或一组$n$曲线),每条曲线的复杂性为$m$,查询具有复杂性曲线$k\ll m$。我们发现,存在近似的数据结构,是独立的输入大小$N = d \cdot n \cdot m$,我们研究如何保持它们的动态,如果输入流中给出。具体而言,我们研究了两种类型的数据结构:(i)距离预言机,其中的任务是存储输入曲线的压缩版本,它可以用于回答查询曲线到输入曲线的距离的查询,以及(ii)最近邻数据结构,其中的任务是预处理一组输入曲线,以回答最接近查询曲线的输入曲线的查询。在这两种情况下,我们感兴趣的是近似。对于嵌入在具有常数$d$的Euclidean $\mathbb{R}^d$中的曲线,我们的距离预言机使用$\mathcal{O}((k \log(ε^{-1}) ε^{-d})^k)$中的空间($ε$是精度参数)。oracle在$\mathcal{O}(k^2)$中及时执行$(1+ε)$ -近似查询,并且是确定性的。我们将展示如何使用多对数附加内存在流中保持这种距离Oracle。在流中,我们可以在$\mathcal{O}(k^4 \log^2 m)$时间内动态地回答到目前为…
2019-07-12 cs.CG
Approximating $(k,\ell)$-center clustering for curves
欧几里德$k$中心问题是计算机科学中一个被广泛研究的经典问题.给定欧几里德空间中的$n$点的集合$\mathcal{G}$,问题是确定$k$中心(不一定是$\mathcal{G}$的一部分)的集合$\mathcal{C}$,使得$\mathcal{G}$中的点与其在$\mathcal{C}$中的最近邻点之间的最大距离最小化。本文研究了Fréchet距离下多边形曲线的$(k,\ell)$ -中心问题,即给定$\mathbb{R}^d$中的$n$多边形曲线的集合$\mathcal{G}$,每个$m$,确定$\mathbb{R}^d$中的$k$多边形曲线的集合$\mathcal{C}$,每个$\ell$,使得$\mathcal{G}$中的曲线到$\mathcal{C}$中最近曲线的最大Fréchet距离最小.在本文中,我们大大扩展和改进已知的逼近边界的曲线在$2$和更高的维度。我们表明,如果$\ell$是输入的一部分,则没有多项式时间近似方案,除非$\mathsf{P}=\mathsf{NP}$。我们的结构产生不同的边界的一维和二维曲线和离散和连续的Fréchet距离。在二维曲线上的离散Fréchet距离的情况下,我们显示出接近$2.598$的因子内的近似的硬度。当$k=1$和$\mathsf{NP}$硬度扩展到$\ell=\infty$,即,计算Fréchet距离下的最小包围球的问题。…
2018-07-20 cs.CG cs.IR
Realizability of Free Spaces of Curves
本文研究自由空间图的可实现性,即给定图是否存在生成它的曲线,通过关联距离几何问题,证明了在R≥2中该问题为∃R-完全,在R¹中连续情况为弱NP难且可伪多项式求解,离散情况可多项式求解。
2023-11-13 cs.CG
Detecting Weakly Simple Polygons
平面中的闭曲线是弱单的,如果它是简单闭曲线序列的极限(在Fréchet度量中)。我们描述了一个算法来确定简单平面图中长度为n的闭行走是否在O(n log n)时间内是弱简单的,改进了Cortese等人的早期O(n^3)时间算法。[离散数学。2009]。作为一个直接推论,我们得到了第一个有效的算法,以确定是否一个任意的n-顶点多边形是弱简单的,我们的算法运行在O(n^2 log n)的时间。我们还描述了两个有趣的多边形类检测弱简单性在O(n log n)时间的算法。最后,我们讨论了几个以前发表的弱简单性定义中的细微错误。
2014-07-12 cs.CG
The Quick Dog Jumps the Log
University of Bonn(波恩大学);Lamarr Institute for Machine Learning and Artificial Intelligence(拉玛尔机器学习与人工智能研究所)
针对c-填充曲线间弗雷歇距离的众多变体,提出线性时间(1+ε)-近似算法,核心是高程函数线性大小近似及隐式动态规划,运行时间约O(cn/ε),去除先前算法对数因子,算法简单且适用其他输入。
2026-07-23 cs.CG
Tight Fréchet bounds for $λ$-low density curves
University of Copenhagen(哥本哈根大学);IT University of Copenhagen(哥本哈根信息技术大学)
本文研究了在d维网格图中计算路径弗雷歇距离的算法及下界,提出了一种近似算法并分析了其复杂性,同时探讨了λ低密度曲线对计算的影响。
2026-09-23 cs.CG cs.DS
Polynomial-time algorithm for exact $(1,2)$-center problem under continuous Fréchet distance
Indian Statistical Institute(印度统计研究所);Indian Institute of Technology Delhi(德里印度理工学院)
本文提出连续 Fréchet 距离下多边形曲线 $(1,2)$-中心问题的精确多项式时间算法,覆盖 $\mathbb{L}_2$ 和 $\mathbb{L}_\infty$ 范数,并给出近似与受限情形的优化解法。
2026-10-01 cs.CG cs.DS
Locality-sensitive hashing of curves
我们研究的数据结构存储一组多边形曲线在${\rm R}^d$,这样,给定一个查询曲线,我们可以有效地检索相似的曲线从集合中,其中相似性是使用离散的Fréchet距离或动态时间弯曲距离。为此,我们设计了第一个位置敏感的哈希方案,这些距离的措施。一个主要的挑战是,这些距离测量内部优化曲线之间的对齐。我们给出了不同类型的路线,包括约束和无约束的版本的解决方案。对于无约束的路线,我们改进了Indyk从2002年开始的短曲线的结果。令$n$为输入曲线的数量,并令$m$为输入中曲线的最大复杂度。在特定的情况下,$m \leq \fracα{4d} \log n$,对于一些固定的$α>0$,我们的解决方案意味着一个近似的近邻数据结构的离散弗雷歇距离,使用空间在$O(n^{1+α}\log n)$和实现查询时间在$O(n^α\log^2 n)$和常数近似因子。此外,我们的解决方案提供了近似质量和计算性能之间的权衡:对于任何参数$k \in [m]$,我们可以给出一个数据结构,使用空间在$O(2^{2k}m^{k-1} n \log n + nm)$,回答查询在$O( 2^{2k} m^{k}\log n)$时间,并实现近似因子在$O(m/k)$。
2017-03-11 cs.CG cs.DS cs.IR