Faster PAC Learning and Smaller Coresets via Smoothed Analysis
University of Haifa(海法大学)
PAC学习通常旨在从$n$项中计算一个小子集($\varepsilon$ -样本/网络),该子集可证明地近似来自给定查询集合的每个查询(模型,分类器,假设)的给定损失函数,直到加性误差$\varepsilon\in(0,1)$。核心集将此思想推广到支持乘法错误$1\pm\varepsilon$。受平滑分析的启发,我们提出了一个自然的概括:近似查询的\emph{average}(而不是最坏情况)错误,希望得到更小的子集。不同查询的错误之间的依赖性意味着我们可以不再对固定的查询应用Boff-Hoeffding不等式,然后使用VC维或联合界。本文提供了确定性和随机算法计算这样的coresets和$\varepsilon$ -样本的大小独立于$n$,任何有限的查询集和损失函数。示例应用包括新的和改进的核心集构造,例如流向量摘要[ICML'17]和$k$ -PCA [NIPS'16]。实验结果与开放源代码提供。
2020-06-09 cs.LG stat.ML
Faster Randomized Worst-Case Update Time for Dynamic Subgraph Connectivity
现实世界的网络很容易崩溃。通常,在基础图$G$中,除了插入或删除边之外,活动顶点集也会随时间变化。一个顶点可能会积极工作,也可能会失败,并暂时被隔离。活动顶点被分组为一个集合$S$。对$S$进行更新,即,失败的顶点重新启动,或者活动顶点失败,并从$S$中删除。动态子图连通性回答由$S$导出的$G$的子图中任意两个活动顶点之间的连通性查询。该问题通过动态数据结构来解决,该结构支持更新并回答连接性查询。在一般无向图中,它的最佳结果包括$\widetilde{O}(m^{2/3})$确定性分摊更新时间、$\widetilde{O}(m^{4/5})$和$\widetilde{O}(\sqrt{mn})$确定性最坏情况更新时间。在本文中,我们提出了一种随机数据结构,它具有$\widetilde{O}(m^{3/4})$最坏情况下的更新时间。
2017-02-28 cs.DS
Fast Convergence of Regularized Learning in Games
Microsoft Research(微软研究院);Princeton University(普林斯顿大学)
我们表明,自然类的正则化学习算法与近因偏差的形式实现更快的收敛速度,以近似的效率和粗糙的相关均衡多人范式游戏。当游戏中的每个玩家使用我们班的算法时,他们的个人遗憾以$O(T^{-3/4})$衰减,而效用之和则以$O(T^{-1})$收敛到近似最佳值--这是对最坏情况下$O(T^{-1/2})$率的改进。我们展示了一个黑盒减少类中的任何算法,以实现对对手的$\tilde{O}(T^{-1/2})$率,同时保持对类中的算法更快的速度。我们的结果扩展了[Rakhlin and Shridharan 2013]和[Daskalakis et al. 2014]的结果,他们只分析了特定算法的两人零和游戏。
2015-12-10 cs.AI cs.GT cs.LG
Decision Trees for Function Evaluation - Simultaneous Optimization of Worst and Expected Cost
University of Salerno(萨莱诺大学);PUC-Rio(里约热内卢天主教大学)
在自动诊断和主动学习的一些应用中,中心问题是通过自适应地查询其变量的值直到读取的值唯一地确定函数的值来评估离散函数。一般来说,读取变量值的过程可能涉及一些成本,计算甚至是为获得值所需的实验支付的费用。在决定下一个要读取的变量时,应考虑此成本。我们的目标是设计一个策略,用于评估的功能,产生很少的成本(在最坏的情况下,或在预期根据先验分布的可能变量的分配)。我们的算法建立了一个策略(决策树),它同时达到了预期和最差成本的对数近似。这在假设$P \neq NP.$
2014-07-26 cs.AI cs.DS cs.LG
Expected Performance and Worst Case Scenario Analysis of the Divide-and-Conquer Method for the 0-1 Knapsack Problem
在本文中,我们提供质量证书的分治方法解决0-1背包问题:最坏的情况下,预期的性能估计。给出了概率设置,并定义了主要随机变量,用于分析预期性能。效率是严格近似的方法的一次迭代,然后,这些值被用来推导出一般的分治树的性能的分析估计。所有的理论结果进行了验证与统计上合适的数值实验更广泛的说明的方法。
2022-08-08 cs.DS math.CO math.PR
Trading off Worst and Expected Cost in Decision Tree Problems and a Value Dependent Model
我们研究的问题,评估一个离散函数自适应查询其变量的值,直到读取的值唯一确定的功能的值。读取变量的值是以牺牲一些成本为代价的,目标是设计一种策略(决策树),用于在最坏情况下或在预期中(根据可能变量分配的先验分布)评估尽可能少的成本。除了特殊情况下的问题,在一般情况下,只有这两个措施之一的最小化在文献中讨论。然而,存在这样的问题,其中一个度量的最小化导致相对于另一个度量具有高成本的策略(甚至指数地大于最优)。我们提供了一个新的结构,可以保证这两个标准之间的权衡。更准确地说,给定保证预期成本$E$的决策树和保证最差成本$W$的决策树,我们的方法可以保证对于任何选择的权衡值$ρ$产生决策树,其最差成本是$(1 + ρ)W$,其预期成本是$(1 + \frac{1}ρ)E.$。出于应用程序,我们还研究了一个变量的问题,其中读取变量的成本取决于变量的值。我们提供了一个$O(\log n)$近似算法的最坏的成本措施,这是最好的假设$P \neq NP$下可能的最小化。
2014-06-13 cs.DS
Linear Probing with Non-Greedy Insertions
Carnegie Mellon University(卡内基梅隆大学)
研究线性探测哈希表插入策略,提出非贪婪插入策略,相比传统贪婪策略,在给定x时,能将最坏情况预期插入时间从Θ(x²)降至O(x log x) 。
2026-09-15 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
Fully-Dynamic Minimum Spanning Forest with Improved Worst-Case Update Time
我们给出了一个Las Vegas数据结构,它在一个n顶点边加权动态图中保持一个最小生成森林,该图经历由边插入和删除的任意混合组成的更新。对于某个常数c > 0,每次更新都需要O(n^{1/2 - c})的预期最坏情况时间,并且这个最坏情况范围的概率至少为1 - n^{-d},其中d是一个可以任意大的常数。这是第一个数据结构实现了O(n^{1/2})确定性最坏情况更新时间的改进Eppstein等人,这一束缚已经持续了近25年。事实上,以前甚至不知道如何在最坏情况下以多项式速度比Theta(n^{1/2})更快地维护未加权图的生成森林。我们的结果是通过首先给出一个减少从全动态到递减最小生成森林保存最坏情况下的更新时间对数因子。然后递减最小生成森林解决了使用几种新的技术,其中之一涉及跟踪低电导削减动态图。我们的结果的直接推论是用于全动态连接的第一个Las Vegas数据结构,其中每个更新在最坏情况下的时间多项式中处理,比Theta(n^{1/2})w. h. p.快;这个数据结构的最坏情况查询时间为O(1)。
2016-11-26 cs.DS
Faster Deterministic Fully-Dynamic Graph Connectivity
我们给出了新的确定性界限的全动态图的连通性。我们的数据结构支持更新(边插入/删除)在$O(\log^2n/\log\log n)$摊销时间和连接查询在$O(\log n/\log\log n)$最坏情况下的时间,其中$n$是图的顶点数。这改进了Holm,de Lichtenberg和Thorup(STOC 1998,J.ACM 2001)以及Thorup(STOC 2000)的确定性数据结构,它们都具有$O(\log^2n)$摊销更新时间和$O(\log n/\log\log n)$最坏情况查询时间。我们的计算模型与Thorup的模型相同,即,具有标准$AC^0$指令的指针机器。
2012-09-25 cs.DM cs.DS
Faster Guarantees of Evolutionary Algorithms for Maximization of Monotone Submodular Functions
研究了单调次模极大化问题。SM是从大小为$n$的论域中找到大小为$κ$的子集,该子集最大化单调子模目标函数$f$。我们表明,使用一种新的分析,帕累托优化算法实现了$(1-ε)(1-1/e)$的最坏情况下的比率,在期望的每个基数约束$κ< P$,其中$P\leq n+1$是一个输入,在$O(nP\ln(1/ε))$查询$f$。此外,一种新的进化算法,称为偏Pareto优化算法,提出了实现最坏情况下的比例$(1-ε)(1-1/e)$的期望为每个基数约束$κ< P$在$O(n\ln(P)\ln(1/ε))$查询$f$。此外,可以修改偏置帕累托优化算法,以便在$f$的$O(n\ln(1/ε))$查询中实现基数约束$κ$的期望中的最差情况比率$(1-ε)(1-1/e)$。经验评估证实了我们的理论分析的算法,因为算法超过随机贪婪的解决方案的值大致时,我们的分析的基础上预期。
2021-07-05 cs.DS
Faster than Classical Quantum Algorithm for dense Formulas of Exact Satisfiability and Occupation Problems
提出了一种求解精确可满足性(XSAT)问题的精确量子算法。该算法是基于一个直观的方法,可以分为两个部分:第一,识别和有效表征的限制子空间,其中包含所有的有效分配的XSAT;第二,在这样的限制子空间的量子搜索。量子算法可以用来找到一个有效的分配(或证明不存在解决方案)或计算有效分配的总数。最坏情况下的查询复杂度分别由$O(\sqrt{2^{n-M^{\prime}}})$和$O(2^{n-M^{\prime}})$限定,其中$n$是变量的数量,而$M^{\prime}$是线性无关子句的数量。值得注意的是,所提出的量子算法的结果比任何已知的精确经典算法更快地解决XSAT的密集公式。作为一个具体的应用,我们提供了最坏情况下的复杂性的哈密顿循环问题后,将其映射到一个合适的XSAT。具体来说,我们表明,所提出的量子算法的时间复杂度是有界的$O(2^{n/4})$ 3-正则无向图,其中$n$是节点的数量。对于$(3,3)$ -正则二分图,同样的最坏情况复杂度也成立(当前最好的经典算法具有由$O(2^{31n/96})$限定的(最坏情况)运行时间)。最后,当与XSAT的启发式技术相比时,所提出的量子算法比经典的WalkSAT和绝热量子优化算法更快,用于约束密度接近可满足性阈值的随机实例,该区域中的实例通常是最难解决的。所提出的量子算法也可以扩展到被称为占领问题的XSAT的广义版本。
2016-08-29 cs.DS quant-ph
Prepare for the Expected Worst: Algorithms for Reconfigurable Resources Under Uncertainty
在本文中,我们研究如何最佳平衡廉价的不灵活的资源与更昂贵的,可重构的资源,尽管在输入问题的不确定性。具体来说,我们引入MinEMax模型来研究“建造与租金”问题。在我们的模型中,不同的场景独立出现。在知道哪些场景出现之前,我们可能会构建刚性资源,这些资源不能针对不同的场景进行更改。一旦我们知道出现了哪些场景,我们就可以租用可重新配置但昂贵的资源来跨场景使用。虽然在我们的模型中计算的目标似乎需要枚举指数许多可能性,我们表明它是很好的估计由一个代理目标,这是由一个多项式大小的LP表示。在这个替代目标中,我们只为每一种情况支付超过一定阈值的费用。使用这个目标,我们设计的算法,近似最佳平衡的不灵活和可重构的资源几个NP-硬覆盖问题。例如,我们研究最小生成树和斯坦纳树,最小割和设施位置变量。常数,我们的近似保证匹配以前的算法为以前研究的需求稳健和随机两阶段模型。最后,我们证明了我们的问题是足够一般的平滑插值之前的需求强大的和随机的两阶段问题。
2019-07-22 cs.DS
A Framework for the Evaluation of Worst-Case System Efficiency
在本文中,我们提出了FASE(快速异步系统评估),一个工具,用于评估异步系统的最坏情况下的效率。这个工具在设置一个类似于定时CCS的进程代数:PAFAS(a Process Algebra for Faster Asynchronous Systems)时实现了一些成熟的结果。此外,我们讨论了一些新的解决方案,是有用的,以提高FASE的具体有意义的例子的适用性。最后,我们使用fase评估有界缓冲区的三种不同的实现的效率,并将我们的结果与以前的结果进行比较时,相同的实现已根据效率的前序。
2011-05-06 cs.DS cs.LO
Faster Discrete Convex Function Minimization with Predictions: The M-Convex Case
The University of Tokyo(东京大学)
本研究提出利用机器学习预测加速M-凸函数最小化的框架,补充了L-凸相关研究,拓展了可受益于预测的离散优化算法范围,可改进层状凸最小化等问题的时间复杂度界。
2023-06-09 cs.DS cs.LG
Faster Algorithm of String Comparison
在许多应用中,需要确定字符串的相似性。编辑距离[WF 74]方法是确定字段相似性的经典方法。一个众所周知的动态规划算法[GUS 97]用于计算编辑距离,其时间复杂度为O(nm)。(for最坏的情况,平均情况,甚至最好的情况)而不是继续改进编辑距离方法,[LL+99]采用了一种全新的方法-基于令牌的方法。它的新概念token-base-retain原始语义信息,良好的时间复杂度O(nm)(最坏,平均和最好的情况下)和良好的实验性能,使它在这方面的一个里程碑式的文件。进一步的研究表明,其字段相似度算法仍有改进的空间。本文提出了一种基于子串的字段相似度判定算法。综合起来,新算法不仅获得了更高的精度,而且在最坏情况下的时间复杂度为O(knm)(k<0.75),平均情况下的时间复杂度为O(*n),其中<6,最好情况下的时间复杂度为O(1)。在整个文件中,我们使用的比较例子的方法,以显示更高的准确性,我们的算法相比,在[LL+99]中提出的。理论分析、具体实例和实验结果表明,该算法能显著提高场相似度计算的准确性和时间复杂度。[US97] D.古塞尔德计算机科学和计算生物学中字符串、树和序列的算法。[LL Mong Li Lee,Cleansing data for mining and warehousing,第10届数据库和专家系统应用国际会议论文集(DEXA 99),第751-760页,1…
2001-12-25 cs.DS
Faster Dynamic Range Mode
在动态范围模式的问题,我们给出了一个序列$a$的长度由$N$界定,并要求支持元素插入,删除,和查询的最频繁的元素的连续子序列的$a$。在这项工作中,我们设计了一个确定性的数据结构,在最坏情况下的$\tilde{O}(N^{0.655994})$时间处理每个操作,从而打破了$O(N^{2/3})$每操作的时间障碍,这个问题。数据结构是通过将Williams和Xu(SODA 2020)中用于批量范围模式的思想与Min-Plus产品的新型数据结构变体相结合来实现的。
2020-04-19 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
External-memory dictionaries with worst-case update cost
$B^ε$树[Brodal and Fagerberg 2003]是一种简单的I/O高效外部内存模型数据结构,它支持比B树快几个数量级的更新,查询性能与B树相当:对于任何正的恒定$ε<1$插入和缺失需要$O(\frac{1}{B^{1-ε}}\log_{B}N)$时间(而不是传统B树的$O(\log_BN)$时间),查询需要$O(\log_BN)$时间,返回$k$项的范围查询需要$O(\log_BN+\frac{k}{B})$时间。尽管$B^ε$树具有最优的更新/查询折衷,但是运行时被分摊。另一种结构是Bender等人[PODS 2017]引入的写优化跳表,它与$B^ε$树具有相同的性能,但运行时是随机的,而不是摊销的。在本文中,我们提出了一个变种的$B^ε$树与确定性的最坏情况下的运行时间是相同的原始的摊销运行时间。
2022-11-11 cs.DS
Faster Parallel Batch-Dynamic Algorithms for Low Out-Degree Orientation
Carnegie Mellon University(卡内基梅隆大学);University of Maryland, College Park(马里兰大学帕克分校);Georgetown University(乔治城大学)
本文提出更高效的并行批动态算法,用于维护无向图的低出度定向,改进了现有算法的工作量界。
2026-10-27 cs.DC cs.DS
$(1-ε)$-approximate fully dynamic densest subgraph: linear space and faster update time
我们考虑的问题,保持$(1-ε)$ -近似的denatrium子图(DSG)的无向多重图,因为它经历了边插入和删除(全动态设置)。Sawlani和Wang [SW 20]开发了一种数据结构,对于任何给定的$ε> 0$,该数据结构保持$(1-ε)$近似,其中边缘操作的$O(\log^4 n/ε^6)$最差情况更新时间和报告密度值的$O(1)$查询时间。他们的数据结构是第一个实现接近最佳近似的,并改进了以前的工作,在摊销多对数更新时间[BHNT 15]中保持了$(1/4 - ε)$近似。在本文中,我们开发了一个数据结构的$(1-ε)$ -近似DSG,从两个方面改进了[SW 20]。首先,该数据结构使用线性空间,通过对数因子改善[SW 20]中的空间界限。第二,数据结构在每次更新的分摊$O(\log^2 n/ε^4)$时间中保持$(1-ε)$近似,同时保证最坏情况更新时间是$O(\log^3 n \log \log n/ε^6)$。我们相信,空间和更新时间的改善是有价值的,目前大规模的图形数据集。该数据结构以自然的方式扩展到超图,并在空间和更新时间方面优于建立在[SW 20]基础上的最近工作[BBCG 22]。
2022-10-06 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
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
Efficiently Enumerating all Maximal Cliques with Bit-Parallelism
最大团枚举(MCE)问题在生物学、化学、社会学和图建模中有许多应用。虽然这个问题已经得到了很好的研究,但目前大多数研究都集中在大型稀疏图或非常密集的图中寻找解决方案,而牺牲了在最困难的中密度基准实例上的效率,这些实例代表了实践中经常遇到的数据集。我们表明,已成功地应用于最大集团问题的技术给显着的速度增益超过国家的最先进的MCE算法在这些情况下。具体来说,我们表明,一个简单的贪婪枢轴选择的基础上固定的最大程度的第一次排序的顶点,当结合位并行性,性能始终优于理论最坏情况下的最佳枢轴的最先进的算法的富田等人。[理论计算机科学,2006]和Naudé [理论计算机科学,2016]。实验表明,我们的算法比Tomita等人的最坏情况下的最优算法更快。在74个标准结构和随机基准测试实例中的60个上:我们解决了48个实例的速度快1.2到2.2倍,解决其余12个实例的速度快3.6到47.6倍。我们还看到了Naudé算法的一致速度改进:解决61个实例的速度提高了1.2到2.4倍。据我们所知,我们是第一个在这些标准基准测试中实现这种速度提升的最先进算法。
2017-12-30 cs.DS
Faster Betweenness Centrality Updates in Evolving Networks
寻找中心节点是网络分析中的一个基本问题。介数中心性是一个众所周知的度量,它根据通过它的最短路径的比例来量化节点的重要性。由于当今许多网络的动态特性,快速更新中心性分数的算法已经成为必要。对于介数,多年来已经提出了几种动态算法,针对不同的更新类型(仅增量和减量,全动态)。在本文中,我们介绍了一种新的动态算法更新介数中心后,边插入或边的重量减少。我们的方法是两个独立的贡献的组合:一个更快的算法更新成对的距离以及最短路径的数量,和一个更快的算法更新依赖关系。而我们的算法的最坏情况下的运行时间是相同的重新计算,我们的技术大大减少了现有的动态介数算法执行的操作的数量。
2017-04-27 cs.DS
Worst Case and Probabilistic Analysis of the 2-Opt Algorithm for the TSP
2-Opt可能是TSP最基本的局部搜索启发式算法。这种启发式算法在现实世界的欧几里得实例上取得了令人惊讶的好结果,无论是在运行时间和近似比方面。关于2-Optit算法的性能已经有了大量的实验研究,但是,关于这种启发式算法的理论知识仍然非常有限。到目前为止,甚至连它在二维欧几里得实例上的最坏情况下的运行时间都不知道。我们澄清这个问题,提出了,为每个$p\in\mathbb{N}$,一个家庭的$L_p$的实例,2-Opt可以采取指数数量的步骤。以前的概率分析仅限于$n$点在单位正方形$[0,1]^2$中随机均匀放置的情况。我们考虑一个更先进的模型,其中的点可以独立地放置根据一般分布在$[0,1]^d$,为任意$d\ge 2$。特别是,我们允许不同的点有不同的分布。我们研究的预期数量的局部改进的点的数量$n$和概率分布的最大密度$ϕ$。我们展示了$\tilde{O}(n^{4+1/3}\cdotϕ^{8/3})$的任何2-Opt改进路径的预期长度上界。当从插入启发式计算的初始行程开始时,预期步数的上限甚至提高到$\tilde{O}(n^{4+1/3-1/d}\cdotϕ^{8/3})$。如果距离是根据曼哈顿度量测量的,则期望的步数由$\tilde{O}(n^{4-1/d}\cdotϕ)$限定。此外,我们证明了一个上界的$O(\sqrt[d]ϕ)$的预期近似因子相对于所有$L_p$度量。让…
2023-02-14 cs.DS
Robust Adaptive Submodular Maximization
Naveen Jindal School of Management, The University of Texas at Dallas(德克萨斯大学达拉斯分校纳文·金达尔管理学院)
序贯决策问题的目标是设计一个交互式策略,自适应地选择一组项目,每次选择都是基于过去的反馈,以最大化所选项目的期望效用。它已被证明,许多现实世界中的应用程序的效用函数是自适应子模。然而,现有的自适应子模块优化算法的研究大多集中在平均情况下。不幸的是,具有良好平均情况性能的策略在最坏情况实现下可能具有非常差的性能。在这项研究中,我们建议研究两个变种的自适应子模块优化问题,即最坏情况下的自适应子模块最大化和鲁棒子模块最大化。第一个问题的目的是找到一个政策,最大化最坏情况下的效用和后者的目的是找到一个政策,如果有的话,同时实现近最优的平均情况下的效用和最坏情况下的效用。我们引入了一类新的随机函数,称为\emph{worst-case submodular function}。对于$p$系统约束下的最坏情况自适应次模块最大化问题,如果效用函数是最坏情况次模块化的,我们提出了一种自适应最坏情况贪婪策略,该策略可以实现对最优最坏情况效用的$\frac{1}{p+1}$逼近比.对于基数约束下的鲁棒自适应次模最大化问题(分别为分割拟阵约束),如果效用函数是最坏情况下的次模和自适应次模,我们开发了一种混合自适应策略,实现了接近$1-e^{-\frac{1}{2}}$(分别为)的近似。$1/3$)同时在最差情况和平均情况设置下。我们还描述了我们的理论结果的几个应用,包括池为基础的主动学习,随机子模块集覆…
2022-09-12 cs.DS cs.LG math.OC
Automated Recurrence Analysis for Almost-Linear Expected-Runtime Bounds
我们考虑的问题,开发自动化技术解决递归关系,以帮助预期的运行时分析程序。几个经典的教科书算法具有相当有效的预期运行时复杂度,而相应的最坏情况界限要么是低效的(例如,快速排序)或完全无效(例如,COUPON-COLECTOR)。由于预期运行时分析的主要焦点是获得有效的边界,我们考虑对数,线性或几乎线性的边界(分别为$\mathcal{O}(\log n)$,$\mathcal{O}(n)$,$\mathcal{O}(n\cdot\log n)$,其中n表示输入大小)。我们的主要贡献是一个有效的(简单的线性时间算法)健全的方法来推导这种预期的运行时界的递归关系引起的随机算法的分析。我们的方法可以推断出经典的随机算法,包括RANDOMIZED-SEARCH,QUICK-SORT,QUICK-SELECT,COUPONCOLLECTOR,递归的渐近最优期望运行时的界限,其中最坏情况下的界限要么是低效的(如线性相比对数的期望运行时,或二次相比线性或几乎线性的期望运行时),或无效。我们已经实现了我们的方法,实验结果表明,我们得到的各种经典算法的递归有效的界限。
2017-04-30 cs.DS cs.PL
Solving Simple Stochastic Games with few Random Nodes faster using Bland's Rule
到目前为止,求解简单随机博弈的最佳算法是Ludwig的随机算法,它在预期的$2^{O(\sqrt{n})}$时间内工作。我们首先给出了一个更简单的迭代变形算法,使用布兰德的规则从单纯形算法,它使用指数比路德维希的版本更少的随机位。然后,我们展示了如何适应这种方法的算法的Gimbert和霍恩的最坏情况下的复杂性是$O(k!)$,其中$k$是随机节点的数量。该算法的预期运行时间为$2^{O(k)}$,适用于任意出度和出弧概率分布的一般随机节点。
2019-01-16 cs.DS cs.GT
Algorithms to Compute the Lyndon Array
我们首先描述了三个算法计算的林登阵列,已建议在文献中,但没有结构化的论述。其中两个算法在最坏的情况下在二次时间内执行,第三个算法实现了线性时间,但代价是先计算x的后缀数组和逆后缀数组。然后,我们继续描述两个变种的一个新的算法,避免事先计算的全球数据结构,并在最坏的情况下执行n日志n时间。实验证据表明,这五种算法中除了一种之外,其他所有算法实际上都只需要线性执行时间,其中两种新算法快了一小部分。我们推测,存在一个快速和最坏情况下的线性时间算法来计算林登阵列,也是基本的(不使用全局数据结构,如后缀数组)。
2016-05-28 cs.DS
Average-Case Optimal Encodings and Efficient Worst-Case Indices for Element Distinctness Queries
Technical University of Denmark(丹麦技术大学);Technical University of Dortmund(多特蒙德工业大学);University of Pisa(比萨大学)
该研究针对元素不同性查询,在编码模型中得到随机数组的平均情况空间下界并构造最优编码,在索引模型中证明最坏情况数组的时空权衡下界并给出近似匹配的索引。
2026-08-20 cs.DS
Faster Computation of Expected Hypervolume Improvement
期望改进算法(或高效全局优化)的目标是在黑盒函数评估的预算有限的情况下进行全局连续优化。它是基于从以前的评估和填充标准-预期的改善-用于找到一个有希望的点,一个新的评估学习的功能的统计模型。“预期改进”填充标准考虑到预测性多元高斯分布的均值和方差。期望改进算法最近被推广到多目标优化。为了定量地测量帕累托前沿的改善,使用了主导(超)量的增益。预期超体积改善(EHVI)的计算是一个多维积分的逐步定义的非线性函数相关的高斯概率密度函数的交叉框。本文提出了一种精确计算两个以上目标函数的期望改进的新算法。对于双准则情况,它具有$O(n^2)$的时间复杂度,其中$n$表示当前最佳帕累托前沿近似中的点的数量。它改进了以前已知的算法的时间复杂度$O(n^3 \log n)$。对于三准则优化,我们设计了一个时间复杂度为$O(n^3)$的算法。除了讨论新的时间复杂度界限,新算法的速度也进行了测试经验上的测试数据。结果表明,通过重用在以前的迭代中建立的数据结构,可以实现速度的进一步提高。所得到的数值算法可以很容易地使用在现有的实现超体积为基础的预期改进算法。
2014-08-29 cs.DS
Faster algorithms for 1-mappability of a sequence
在k-可映射性问题中,我们给定一个长度为n的字符串x以及整数m和k,我们被要求对x的每个长度为m的因子y计算x的其他长度为m的因子的个数,这些因子与y的汉明距离最多为k。我们在这里集中讨论k = 1的问题。对于k = 1,已知的最快算法需要时间O(mn log n/ log log n)和空间O(n)。我们提出了两个算法,它们分别需要O(mn)和O(nlog^2 n)的最坏情况时间和O(n)的空间,从而极大地改进了现有技术.此外,我们还提出了一个算法,当m = Ω(logn/ log σ)时,对于整数字母表,平均需要O(n)的时间和空间,其中σ是字母表的大小.
2017-05-11 cs.DS
Equal-Subset-Sum Faster Than the Meet-in-the-Middle
在等子集和问题中,我们给出了一个由$n$个整数组成的集合$S$,问题是判断是否存在两个不相交的非空集$A,B \subseteq S$,其元素和为相同的值. 这是一个NP-完备问题.最先进的算法在$O^{*}(3^{n/2}) \le O^{*}(1.7321^n)$时间内运行,并基于中间相遇技术。本文对该算法进行了改进,给出了$O^{*}(1.7088^n)$最坏情况蒙特卡罗算法。这就回答了沃根格的启发性调查中的一个公开问题。此外,我们还分析了多项式空间的等子集和算法。$O^{*}(3^n)$时间上等子集和运算朴素多项式空间算法通过对指数随机位的只读访问,我们展示了一个在$O^{*}(2.6817^n)$时间和多项式空间中运行的随机算法。
2019-07-03 cs.DS
Fully Dynamic Maximal Independent Set in Expected Poly-Log Update Time
在完全动态的最大独立集(MIS)问题中,我们的目标是在给定图$G$中插入和删除边时保持MIS。该问题的第一个非平凡算法由Assadi,Onak,Schieber和Solomon [STOC 2018]提出,他们获得了具有$O(m^{3/4})$更新时间的确定性完全动态MIS。后来,Du和Zhang以及Gupta和Khan [arXiv 2018]将其独立改进为$\tilde{O}(m^{2/3})$更新时间。Du和Zhang [arXiv 2018]还提出了一种针对具有$\tilde{O}(\sqrt{m})$更新时间的遗忘对手的随机算法。目前的最新技术水平是由Assadi、Onak、Schieber和Solomon [SODA 2019]提出的,他们获得了针对具有$\tilde{O}(\sqrt{n})$和$\tilde{O}(m^{1/3})$更新时间的遗忘对手的随机算法。本文提出了一种基于最坏情况更新时间的$O(\log^4n)$动态随机算法。作为一个直接推论,可以应用Bernstein、Forster和Henzinger [SODA 2019]最近工作中的黑盒约简,以高概率实现$O(\log^6n)$最差情况更新时间。这是第一个具有非常快的poly-log更新时间的动态MIS算法。
2021-04-01 cs.DS
Faster Fundamental Graph Algorithms via Learned Predictions
我们考虑用机器学习预测加速经典图算法的问题。在这个模型中,算法配备了从过去或类似实例中学习的额外建议。鉴于额外的信息,我们的目标是改善传统的最坏情况下的运行时保证。我们的贡献如下:(i)我们给出了一个快速的最小权值二部匹配算法,改进了Dinitz,Im,Lavastida,Moseley和Vassilvitskii最近的结果(NeurIPS,2021);(ii)将学习对偶方法推广到单源最短路径问题(具有负边缘长度),在给出足够精确的预测的情况下实现几乎线性的运行时间,这改进了由于Goldberg(SIAM J. Comput.,(1995年);(iii)我们为基于学习的图算法提供了一个通用的基于约简的框架,基于对二分匹配和最短路径问题的约简,得到了度约束子图和最小代价$0$ - $1$流的新算法。最后,我们给出了一组一般的可学习性定理,表明我们的算法所需的预测可以有效地学习PAC的方式。
2022-04-26 cs.DS
Faster Average Case Low Memory Semi-External Construction of the Burrows-Wheeler Transform
Burrows Wheeler变换在数据压缩以及全文索引中有应用。尽管其重要的应用和各种现有的算法方法的构造的变换的大数据集仍然是具有挑战性的。本文提出了一种新的构造Burrows Wheeler变换的半外存储算法。如果有足够的内部存储器可用于保存输入文本的固定部分,则它能够在平均时间$O(n\log^2\log n)$的有限字母表上构造长度为$n$的输入文本的变换。在最坏的情况下,运行时是$O(n\log n \log\log n)$。算法在外部存储器中使用的空间量为$O(n)$位。在串行算法的基础上,我们还提出了一种在$p$处理器可用的情况下平均按时间运行的共享内存并行算法$O(\frac{n}{p}\max\{\log^2\log n+\log p\})$。
2016-04-22 cs.DS
Faster generation of random spanning trees
本文提出了一种在无向图中生成近似一致随机生成树的新算法。我们展示了如何从一个在预期时间$\TO(m\sqrt{n}\log 1/δ)$均匀的乘法$(1+δ)$内的分布中采样。这改善了稀疏图的情况下,最好的以前已知的最坏情况下的界的$O(\min \{mn, n^{2.376}\})$,这已经站了二十年。为了实现这一目标,我们利用图和电网络上的随机游走之间的连接,我们用这个引入一个新的方法来解决这个问题,集成离散随机游走为基础的技术与连续线性代数方法。我们相信,我们使用的电气网络和稀疏线性系统解算器与随机游走和组合分区技术是一个有用的范例,将找到进一步的应用在算法图论。
2009-08-11 cs.DM cs.DS
New Partitioning Techniques and Faster Algorithms for Approximate Interval Scheduling
区间排序问题是算法论中的一个基本问题,也是组合优化中的一个经典课题。我们开发了一套技术,用于分区和分组作业的开始和结束时间的基础上,使我们能够查看一个实例的间隔调度的许多工作作为一个工会的多个间隔调度实例,每个只包含几个工作。实例化这些技术在动态和本地设置的计算导致几个新的结果。对于单机上$n$作业调度的$(1+\varepsilon)$ -近似问题,我们提出了一个带有$O(\frac{\log{n}}{\varepsilon})$更新和$O(\log{n})$查询最坏情况时间的全动态算法.此外,我们设计了一个本地计算算法,只使用$O(\frac{\log{N}}{\varepsilon})$查询时,所有的作业长度至少$1$和$[0,N]$内的开始/结束时间。我们的技术也适用于工作有奖励/权重的环境。对于这种情况下,我们设计了一个完全动态的确定性算法,其最坏情况下的更新和查询时间是$\operatorname{poly}(\log n,\frac{1}{\varepsilon})$。等价地,这是第一个算法,该算法在$\operatorname{poly}(\log n,\frac{1}{\varepsilon})$时间更新/查询中维护加权区间集合的最大独立集的$(1+\varepsilon)$近似。这是$1/\varepsilon$在Henzinger,Neumann和Wiese …
2023-02-23 cs.DS
Layered List Labeling
本文提出新的数据结构技术,可组合任意三个列表标记解决方案,从而分别挑选出最佳的最坏情况、自适应和期望界限,打破了三者之间长期存在的性能张力。
2024-04-25 cs.DS
Theory meets Practice at the Median: a worst case comparison of relative error quantile algorithms
估计数据的分布和分位数是数据采掘和数据科学中的一项基本任务。我们研究的算法,提供准确的结果,极端分位数查询使用少量的空间,从而有助于了解输入分布的尾部。也就是说,我们专注于两个最新的国家的最先进的解决方案:$t$ -digest和ReqSketch。虽然$t$ -digest是一种流行的紧凑摘要,在各种设置中都能很好地工作,但ReqSketch具有形式上的准确性保证,其代价是随着新观察的插入而增加。在这项工作中,我们提供了洞察哪些条件使一个比另一个更可取。也就是说,我们将展示如何构建输入$t$摘要,引起几乎任意大的错误,并证明它无法提供准确的结果,即使在i.i.d.。来自高度非均匀分布的样本。我们对ReqSketch提出了实际的改进,使其比$t$ -digest更快,而其错误在任何实例上都保持有界。尽管如此,我们的研究结果证实,$t$ -digest在实践中遇到的“非对抗性”数据上仍然更准确。
2021-06-10 cs.DS stat.CO
Faster Algorithms for Privately Releasing Marginals
研究了在保持差分隐私的同时释放数据库$D \in (\{0,1\}^d)^n$的$k$ -路边缘的问题. $k$ -路边际查询的答案是$D$的记录$x \in \{0,1\}^d$中具有给定值的部分,这些记录在最多$k$列的给定集合中的每个列中具有给定值.边缘查询使得能够对数据集进行丰富类别的统计分析,并且设计用于私下发布边缘查询的有效算法已经被识别为私有数据分析中的重要开放问题(参见图1)。巴拉克等例如,PODS '07)。我们给出了一个算法,运行在时间$d^{O(\sqrt{k})}$和释放一个私人的摘要能够回答任何$k$方式边际查询与最多$\pm .01$错误的每个查询只要$n \geq d^{O(\sqrt{k})}$。据我们所知,我们是第一个算法能够私下释放边际查询与非平凡的最坏情况下的准确性保证时间大大小于$k$方式边际查询的数量,这是$d^{Θ(k)}$($k \ll d$)。
2014-03-14 cs.DS
Competitive Analysis with a Sample and the Secretary Problem
我们扩展了标准在线最坏情况模型,以适应在线玩家在许多实际场景中可用的过去经验。我们通过提前向在线玩家展示对抗性输入的随机样本来做到这一点。在线玩家与在线输入的期望最优值竞争。我们的模型在现有的在线随机模型(例如,物品被单独绘制。从分布)和在线最差情况模型。我们还以类似的方式(通过展示一个样本)扩展了在线随机顺序模型。在新模型中,我们研究了经典的秘书问题。在最坏情况下的模型,我们提出了一个简单的在线算法与任何样本量的最佳竞争比。在随机序模型中,我们也给出了一个简单的在线算法,几乎紧竞争比的小样本容量。有趣的是,我们证明了,对于一个足够大的样本,没有算法可以同时在最坏的铸造和随机顺序模型的最优。
2019-07-11 cs.DS
Faster Walks in Graphs: A $\tilde O(n^2)$ Time-Space Trade-off for Undirected s-t Connectivity
在本文中,我们利用Nonaka et al.(2010)的Metropolis型行走,为无向图中的$S$ - $T$ -连通性问题(USTCON)提供了一个更快的解决方案。作为我们的主要结果,我们提出了一个家庭的随机算法USTCON实现了时空积的$S\cdot T = \tilde O(n^2)$在图中的$n$节点和$m$的边缘(其中的$\tilde O$ -符号忽略多对数项)。这改进了Feige(1995)提出的$\tilde O(n m)$的最佳折衷。我们的算法包括部署几个短的大都市型步行,从地标节点分布使用Broder等人的计划。(1994)在修改后的输入图。特别是,我们得到了一个算法运行的时间$\tilde O(n+m)$,在一般情况下,比BFS和DFS的空间效率。我们通过展示如何微调Metropolis类型的步行以匹配性能参数(例如,平均命中时间)的无偏随机游动的任何图,同时保持最坏情况下的界$\tilde O(n^2)$的覆盖时间。
2012-07-10 cs.DS
Adaptive Fully Dynamic $k$-Center Clustering with (Near-)Optimal Worst-Case Guarantees
University of Salzburg(萨尔茨堡大学);University of Warwick(华威大学)
本文研究了k-中心聚类问题,提出了一种自适应的完全动态算法,实现了常数因子近似、近最优最坏情况更新时间和常数级最坏情况回退,即使面对适应性对手。
2026-04-02 cs.DS
Faster Exact Algorithms for Equal-Subset-Sum
The University of Tokyo(东京大学)
研究等和子集问题的精确算法,通过改进算法提升时间和空间效率,改进多项式空间运行时间,并研究时空权衡,在多方面取得更好结果。
2026-07-13 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
On Stabilization in Herman's Algorithm
Herman算法是一种同步随机协议,用于在由N个进程组成的令牌环中实现自稳定。令牌的交互使得协议的动态性非常难以分析。在本文中,我们研究的期望时间稳定的初始配置。简单地说,该算法几乎肯定会从任何初始配置实现稳定,并且已知最坏情况下的预期稳定时间(相对于初始配置)为Theta(N^2)。我们的第一个贡献是给出了期望稳定时间的上界为0.64 N^2,改进了以前的上界,并缩小了与现有最佳下界的差距。我们还介绍了一个异步版本的协议,在这种情况下显示了类似的O(N^2)收敛界。假设错误产生的腐败的一些数量k位,其中k是固定的独立的环的大小,我们表明,预期的时间稳定是O(N)。这揭示了赫尔曼算法的一个迄今为止未知的和非常理想的属性:它从有界误差中快速恢复。我们还表明,如果初始配置产生的重置每个位独立和均匀随机,然后稳定是显着快于在最坏的情况下。
2011-04-15 cs.DS
Decoding Hidden Markov Models Faster Than Viterbi Via Online Matrix-Vector (max, +)-Multiplication
University of Trento(特伦托大学);Politecnico di Milano(米兰理工大学);University of Verona(维罗纳大学)
本文提出了一种新的时间齐次隐马尔可夫模型(HMM)的最大后验译码(MAPD)算法,将经典Viterbi算法的最坏情况下的运行时间提高了一个对数因子。在我们的方法中,我们解释的维特比算法作为一个重复计算的矩阵向量$(\max, +)$乘法。在时间齐次的Hynomial上,这种计算是在线的:一个预先知道的矩阵必须与几个向量相乘,每次一个。我们的主要贡献是一个算法解决这个版本的矩阵向量$(\max,+)$乘法在次二次时间,通过执行多项式预处理的矩阵。采用这种快速乘法算法,我们解决了在$O(mn^2/ \log n)$时间的任何时间齐次HMM的大小$n$和观察序列的长度$m$的MAPD问题,与额外的多项式预处理成本可以忽略不计的$m > n$。据我们所知,这是第一个算法的MAPD问题需要次二次时间每次观察,唯一的假设下-通常在实践中验证-转移概率矩阵不随时间变化。
2015-12-11 cs.DS cs.IT cs.LG
Faster range minimum queries
范围最小查询(RMQ)是许多压缩数据结构和字符串匹配算法的重要组成部分。虽然这个问题在理论上基本上已经解决了,但由于复杂的数据结构允许恒定时间查询,实际性能和构建时间也很重要。此外,还有一些离线场景,其中查询的数量$q$相当小并且是预先给定的,这鼓励使用更简单的方法。在这项工作中,我们提出了一个简单的数据结构,具有非常快的建设,它允许在恒定的时间平均处理查询。然而,该算法需要在查询期间访问输入数据(这不是复杂的RMQ解决方案的情况)。随后,我们改进我们的技术,将其与现有的一个简洁的解决方案与$O(1)$最坏情况下的时间查询和没有访问输入数组。由此产生的混合仍然是一个节省内存的数据结构,通常花费高达约$3n$位,并提供有竞争力的查询时间,特别是对于宽范围。我们还展示了如何使我们的基线数据结构更紧凑。实验结果表明,所提出的BbST(基于块的稀疏表)的变种是有竞争力的现有的解决方案,也在离线的情况下。
2017-11-28 cs.DS
Fast computation of the median by successive binning
本文介绍了一种新的中值算法和一种中值近似算法。前者的平均运行时间为O(n),后者的最坏情况运行时间为O(n)。这些算法在计算单个数据集的中值时与标准算法具有很强的竞争力,但在添加更多数据时更新中值的速度要快得多。
2009-05-12 cs.DS stat.AP stat.CO
Online Checkpointing with Improved Worst-Case Guarantees
在在线检查点问题中,任务是连续维护一组k个检查点,这些检查点允许比完全重启更快地倒带正在进行的计算。唯一允许的操作是将旧检查点替换为当前状态。我们的目标是最小化倒带成本的检查点放置策略,即,使得在所有时间T,当被请求倒回到某个时间t <= T时,需要重做以从t之前的检查点到达t的计算步骤的数量尽可能小。特别地,我们希望比t更早的最近检查点距离t不超过q_k乘以理想距离T /(k+1),其中q_k是一个小常数。改进了以前的工作,显示1 + 1/k <= q_k <= 2,我们证明了q_k可以选择渐近小于2。我们给出了一个算法,其渐近偏差q_k <= 1.59 + o(1)对所有k都有效,q_k <= ln(4)+ o(1)<= 1.39 + o(1)对k是2的幂次有效.实验表明,对所有k,p_k <= 1.7是一致的.对于小k,我们展示了如何使用线性规划方法来计算好的检查点算法。这给出了对于所有k < 60的小于1.55的差异。我们证明了第一个渐近大于1的下界,即q_k >= 1.30 - o(1)。我们还表明,最佳算法(产生的下确界差异)存在的所有k。
2013-04-30 cs.DS
Finding the saddlepoint faster than sorting
本文提出一种基于递归、可行性测试与松弛鞍点概念的算法,将 $n \times n$ 矩阵严格鞍点的查找时间从 $O(n \log n)$ 降至 $O(n \log^* n)$,逼近 $Ω(n)$ 下界,且能在同等时间内计算非严格鞍点。
2023-10-25 cs.DS math.CO
Improved Smoothed Analysis of the k-Means Method
k-means方法是一种广泛使用的聚类算法。其显著特点之一是实践速度快。然而,其最坏情况下的运行时间是指数级的,在实际和理论性能之间留下了差距。Arthur和Vassilvitskii(FOCS 2006)旨在缩小这一差距,他们证明了$\poly(n^k, σ^{-1})$对k均值方法平滑运行时间的限制,其中n是数据点的数量,$σ$是高斯扰动的标准差。这个界限,虽然比最坏情况下的界限,仍然是远远大于在实践中观察到的运行时间。我们改进的平滑分析的k-means方法,显示两个上界的预期运行时间的k-means。首先,我们证明了期望的运行时间是有界的多项式在$n^{\sqrt k}$和$σ^{-1}$。其次,我们证明了一个上界的$k^{kd} \cdot \poly(n, σ^{-1})$,其中d是数据空间的维数。多项式是独立的k和d,我们得到一个多项式界的预期运行时间为$k, d \in O(\sqrt{\log n/\log \log n})$。最后,我们表明,k-均值运行在平滑的多项式时间的一维实例。
2008-09-10 cs.DS