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
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
$O(\log \log n)$ Worst-Case Local Decoding and Update Efficiency for Data Compression
本文讨论了局部译码和局部更新的数据压缩问题。如果通过探测压缩序列的至多$d_{wc}$位可以恢复原始文件的任何位,则压缩方案具有最坏情况的局部解码$d_{wc}$,并且如果通过修改压缩序列的至多$u_{wc}$位可以更新原始文件的单个位,则压缩方案具有$u_{wc}$的更新效率。本文提供了一种用于无记忆源的熵实现压缩方案,其同时实现$ O(\log\log n) $本地解码和更新效率。该可扩展性结果的关键是用于稀疏序列的新颖简洁的数据结构,其允许有效的局部解码和局部更新。在对局部解码器和更新算法的一般假设下,相反的结果表明$d_{wc}$和$u_{wc}$必须按$ Ω(\log\log n) $增长。
2020-01-23 cs.DS cs.IT math.IT
Fully-Dynamic All-Pairs Shortest Paths: Improved Worst-Case Time and Space Bounds
给定一个正经历顶点插入\emph{and}删除的有向加权图$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
Fully Dynamic Set Cover: Worst-Case Recourse and Update Time
University of Warwick(华威大学);Duke University(杜克大学)
本文针对完全动态集合覆盖问题,首次提出同时实现O(log n)最坏情况资源开销和f·poly log(n)最坏情况更新时间的算法,在两种近似机制下保持解成本与离线算法相当,改进了此前结果的界。
2025-11-11 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
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
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
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$(5/3+ε…
2019-10-16 cs.DS
Dynamic Set Cover with Worst-Case Recourse
Tel Aviv University(特拉维夫大学)
本文针对动态集合覆盖问题中更新时间和最坏情况调整代价难以同时优化的问题,提出一种黑盒转换方法,将任意近似比α、更新时间T的算法转换为近似比(2+ε)α、更新时间O(T+αC)、最坏情况调整代价O(αC)的算法。
2025-11-10 cs.DS
Maintaining an EDCS in General Graphs: Simpler, Density-Sensitive and with Worst-Case Time Bounds
在他们突破性的ICALP'15论文中,Bernstein和Stein提出了一种算法,用于在{ \em bipartite}图中保持$(3/2+ε)$ -近似最大匹配,{ \em worst case}更新时间为$O_ε(m^{1/4})$ ;我们使用$O_ε$符号来抑制$ε$ -依赖性。他们的主要技术贡献是提出了一种新型的有界度子图,他们将其命名为{ \em边度约束子图(EDCS)},其中包含一个大匹配-其大小小于整个图的最大匹配大小,最多为$3/2+ε$的一个因子。他们证明了EDCS可以在最差情况更新时间为$O_ε(m^{1/4})$的情况下得到维护,并且他们的主要结果作为直接推论。在他们的后续SODA'16论文中,Bernstein和Stein将他们的结果推广到一般图,实现了与$O_ε(m^{1/4})$相同的更新时间,尽管有一个摊销的而不是最坏情况的界限。迄今为止,对于{ \em any}优于2的近似匹配,最佳{\em确定性}最坏情况更新时间范围是$O(\sqrt{m})$ [Neiman和Solomon,STOC'13],[Gupta和Peng,FOCS'13];允许随机化(针对不经意的对手),可以实现略低于2的近似的更好(仍然是多项式)更新时间[Behnezhad,Lacki和Mirrokni,SODA'20]。在这项工作中,我们\footnote{\em quasi n…
2021-08-19 cs.DS
Orienting Fully Dynamic Graphs with Worst-Case Time Bounds
在边定向中,目标通常是定向(定向)无向$n$ -顶点图$G$的边,使得所有出度都有界。当图$G$是完全动态的时,即,允许边缘插入和删除,我们希望保持这样的方向,同时保持对更新时间的标签。低出度方向被证明是一个令人惊讶的有用工具,有几个算法应用程序涉及静态或动态图。Brodal和Fagerberg(1999)从图的荫度出发开始研究边定向问题,这在这种情况下是非常自然的。他们给出了一个解,该解具有常数出度和\emph{amortized}对数更新时间,适用于所有具有常数荫度的图,包括所有平面图和排除子图。然而,它仍然是一个悬而未决的问题(首先由Brodal和Fagerberg提出,后来由其他人提出),以获得类似的边界与最坏情况的更新时间。我们通过提供一个简单的算法来解决这个15年前的问题,该算法的最坏情况界限几乎与以前的摊销界限相匹配。我们的算法是基于一种新的组合不变的方法,并实现了对数的最坏情况下更新时间的对数出度。这一结果在各种动态图问题中有应用,例如保持最大匹配,其中我们获得了$O(\log n)$最坏情况下的更新时间,与Neiman和Solomon(2013)的$O(\frac{\log n}{\log\log n})$摊销更新时间相比。
2013-12-04 cs.DS
Dynamic Set Cover: Improved Amortized and Worst-Case Update Time
在动态最小集合覆盖问题中,一个挑战是最小化更新时间,同时保证接近最优的$\min(O(\log n), f)$近似因子。(自始至终,$m$、$n$、$f$和$C$是表示最大集合数、元素数、频率和成本范围的参数。)在高频范围内,当$f=Ω(\log n)$时,这是通过具有$O(f \log n)$分摊更新时间的确定性$O(\log n)$近似算法实现的[Gupta等人,STOC'17]。在低频范围内,Gupta等人[STOC'17]、Abboud等人[STOC'19]和Bhattacharya等人[ICALP'15、IPCO'17、FOCS'19]的工作路线导致了具有$O(f \log (Cn)/ε^2)$摊销更新时间的确定性$(1+ε)f$近似算法。在本文中,我们改进了后者的更新时间,并提供了第一个界限,subterm(有时改善)国家的最先进的动态顶点覆盖算法。我们得到:1. $(1+ε)f$ -$O(f\log^2 (Cn)/ε^3)$最差情况更新时间的近似比:以前对于动态集合覆盖没有已知的非平凡最差情况更新时间。我们的界包含并通过对数因子改进了未加权动态顶点覆盖的$O(\log^3 n/\text{poly}(ε))$最坏情况更新时间(即,当$f=2$和$C=1$时),Bhattacharya等人[SODA'17]。2. $(1+ε)f$ -在$O\left((f^2/ε^3)…
2020-04-17 cs.DS
Faster Worst Case Deterministic Dynamic Connectivity
我们提出了一个确定性的动态连接数据结构的无向图的最坏情况下的更新时间$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})$。所有其他的动态连接算法要么是随机的(蒙特卡洛),要么只有摊销的性能保证。
2015-11-03 cs.DS
A Deamortization Approach for Dynamic Spanner and Dynamic Maximal Matching
许多动态图算法有一个摊销的更新时间,而不是一个更强的最坏情况保证。但是分期数据结构不适合实时系统,在实时系统中,每个单独的操作都必须快速执行。出于这个原因,有许多最近的随机结果,旨在提供比摊销预期更强的保证。随机化算法最强的可能保证是它总是正确的(拉斯维加斯),并且具有高概率的最坏情况更新时间,这为每个高概率保持的单独操作提供了时间上的界限。在本文中,我们提出了第一多对数高概率最坏情况下的时间界的动态搜索和动态最大匹配问题。1.对于动态更新,唯一已知的$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
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
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
Learned Interpolation for Better Streaming Quantile Approximation with Worst-Case Guarantees
Massachusetts Institute of Technology(麻省理工学院);Anthropic(Anthropic公司);Amazon AWS(亚马逊云科技);Microsoft Research(微软研究院)
本文提出将插值技术应用于流式分位数问题,在保持与 KLL 类似的最坏情况保证的同时,在真实数据上获得优于 KLL 的近似效果,以弥补 KLL 实际表现不佳而 t-digest 缺乏最坏情况保证的不足。
2023-04-15 cs.DB cs.DS cs.LG
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
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
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$O(α+\log^…
2023-02-15 cs.DS
Dynamic Minimum Spanning Forest with Subpolynomial Worst-case Update Time
我们提出了一个拉斯维加斯算法动态维护的最小生成森林的$n$节点图进行边插入和删除。我们的算法保证了$O(n^{o(1)})$最坏情况下的更新时间与高概率。这显著地改进了Wulff-Nilsen [STOC'17]的两个最近的Las Vegas算法,其中更新时间为$O(n^{0.5-ε})$,用于一些恒定的$ε>0$,并且独立地改进了Nanongkai和Saranurak [STOC'17]的更新时间为$O(n^{0.494})$(后者仅用于维护生成森林)。我们的结果是通过识别这两个以前的算法所依赖的共同框架,然后改进和结合两个作品的想法。有两个主要的算法组件的框架,是新改进的和关键的获得我们的结果。首先,我们将更新时间从Wulff-Nilsen [STOC'17]中的$O(n^{0.5-ε})$改进为$O(n^{o(1)})$,以递减地去除经历边缘删除的扩展器中的所有低电导切割。其次,通过重新审视Henzinger和King [1997]和Holm等人[STOC'98]的“收缩技术”,我们给出了一种新的方法,用于在具有很少(至多$(1+o(1))n$)边的连通图中保持最小生成森林。这显着改善了以前的方法在[Wulff-Nilsen STOC'17]和[Nanongkai和Saranurak STOC'17],这是基于Frederickson的二维拓扑树,并说明了一个新的应用,这个老…
2017-08-15 cs.DS
Worst-case Performance of Popular Approximate Nearest Neighbor Search Implementations: Guarantees and Limitations
MIT(麻省理工学院)
本文分析 HNSW、NSG 和 DiskANN 等图基近似最近邻搜索算法的最坏情况性能,证明 DiskANN 慢速预处理版本具有理论保证,而其他变体在特定实例上查询时间与规模成线性关系。
2023-10-29 cs.CG cs.DS cs.LG
Dynamic Matching: Reducing Integral Algorithms to Approximately-Maximal Fractional Algorithms
我们提出了一个简单的随机减少全动态积分匹配算法,全动态的“近似最大”的分数匹配算法。将这种简化应用于Bhattacharya,Henzinger和Nanongkai(SODA 2017)的最近分数匹配算法,我们获得了积分问题的新结果。具体来说,我们的主要结果是一个随机的全动态$(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
Worst-Case Efficient Dynamic Geometric Independent Set
我们考虑的问题,保持一个近似的最大独立集的几何对象下插入和删除。我们提出的数据结构,保持一个恒定的因素近似最大独立集广泛类的脂肪对象在$d$尺寸,其中$d$被假定为一个常数,在次线性\textit{worst-case}更新时间。这给出了动态独立集在各种各样的几何设置,如磁盘,脂肪多边形,和他们的高维等价物的第一个结果。我们的结果是通过一个两级的方法。首先,我们开发了一个动态的数据结构,存储所有的对象,并提供了一个近似的独立集查询时,输出敏感的运行时间。我们表明,通过标准方法,这样的结构可以用于获得具有\textit{amortized}更新时间界限的动态算法。然后,为了获得最坏情况下的更新时间算法,我们开发了一个通用的摊销计划,每个插入/删除保持(i)更新时间有界和(ii)在独立集不变的变化的数量。我们表明,这样的计划是适用于脂肪对象显示一个适当的推广分离定理。有趣的是,我们表明,我们的摊销计划也是必要的,以获得最坏情况下的更新界限:如果对于一类对象,我们的计划是不适用的,那么没有常数因子近似次线性最坏情况下的更新时间是可能的。我们表明,这样的下限适用于即使是看似简单的类的几何对象,包括轴对齐的矩形在平面上。
2021-10-18 cs.CG 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
Fully Dynamic Almost-Maximal Matching: Breaking the Polynomial Barrier for Worst-Case Time Bounds
尽管重大的研究工作,国家的最先进的算法,用于保持近似匹配的全动态图具有多项式{最坏情况}的更新时间,即使是非常差的近似保证。在最近的一项突破中,Bhattacharya,Henzinger和Nanongkai展示了如何保持对最小顶点覆盖的恒定近似,从而也保持对最大匹配大小的恒定因子估计,并具有多对数最坏情况更新时间。后来(在SODA'17 Proc.)他们将近似因子一直改进到$2+ε$。然而,长期存在的基本问题{保持}近似匹配与子多项式最坏情况的时间界限仍然开放。我们提出了一个随机算法,以保持一个{几乎最大}匹配的全动态图与多对数最坏情况的更新时间。对于任何$ε> 0$,这种匹配为最大匹配和最小顶点覆盖提供了$(2+ε)$近似。我们的结果独立于Bhattacharya等人的$(2+ε)$近似结果,因此它提供了最小顶点覆盖的第一个$(2+ε)$近似(连同Bhattacharya et al.的结果)和用于最大(积分)匹配的第一$(2+ε)$近似。我们的算法的多对数最坏情况下的更新时间保持确定性,而几乎最大化保证保持高概率。这一结果不仅解决了上述动态匹配问题,而且为动态顶点覆盖(假设唯一对策猜想)提供了本质上最好的近似保证。
2018-03-15 cs.DS
Improved Worst-Case Deterministic Parallel Dynamic Minimum Spanning Forest
针对EREW PRAM模型中的动态最小生成森林(MSF)问题,给出了一种新的确定性算法,目标是在支持边插入和删除的同时,保持具有$n$顶点和$m$边的加权图的MSF.我们可以解决动态MSF问题,使用$O(\sqrt n)$处理器和$O(\log n)$最坏情况下的更新时间,共$O(\sqrt n \log n)$的工作。这改进了Ferragina [IPPS 1995]的工作,其花费了$O(\log n)$最差情况更新时间和$O(n^{2/3} \log{\frac{m}{n}})$工作。
2018-05-16 cs.DC cs.DS
Learning to Hash Robustly, Guaranteed
Columbia University(哥伦比亚大学);UCSD(加州大学圣地亚哥分校)
具有最佳最坏情况保证的高维最近邻搜索(NNS)的索引算法是基于随机化的局部敏感哈希(LSH)及其衍生物。在实践中,存在许多启发式方法来“学习”最佳索引方法,以加速NNS,关键是适应给定数据集的结构。通常情况下,这些算法在真实数据集上的性能优于基于LSH的算法,但几乎总是以失去对抗性查询的正确性或鲁棒性能的保证为代价,或者适用于具有假设的额外结构/模型的数据集。在本文中,我们为汉明空间设计了一个NNS算法,该算法具有最坏情况下的保证,基本上与理论算法相匹配,同时优化了数据集结构的散列(考虑实例最优算法),以实现最低性能查询。我们评估算法的能力,优化一个给定的数据集在理论上和实践中。在理论方面,我们展示了一个自然的设置(数据集模型),我们的算法比标准的理论好得多。在实践方面,我们运行的实验表明,我们的算法在对MNIST和ImageNet数据集的最差查询上具有1.8倍和2.1倍的召回率。
2022-07-07 cs.DS cs.LG
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
(Worst-Case) Optimal Adaptive Dynamic Bitvectors
针对更新不频繁场景下动态位向量操作复杂度较高的问题,提出空间渐近最优的自适应动态位向量,实现随查询更新比动态优化的摊还操作时间,证明其最坏情况最优,并给出多类紧凑动态数据结构的应用方向。
2025-05-21 cs.DS
Cost Minimizing Online Algorithms for Energy Storage Management with Worst-case Guarantee
需求响应计划中电价的波动和可再生能源供应的不稳定性使得有必要在微电网中采用储能。然而,设计有效的实时储能管理策略是一项挑战,可以提供有保证的最优性,而不会受到波动的电价和可再生能源供应的不确定性的阻碍。本文提出了一种简单有效的在线算法的充电和放电决策的能量存储,最大限度地减少电力成本的存在下,电价波动和可再生能源供应,而不依赖于未来的价格,需求或可再生能源供应的信息。所提出的算法由近似最佳最坏情况保证(即,竞争比),与基于完全未来信息的离线最优决策相比。此外,该算法可以适于利用有限的未来信息(如果可用的话)。通过对实际数据的仿真,可以看出所提出的算法在实际应用中可以取得令人满意的效果。
2016-01-03 cs.DS math.OC
Beyond the Worst-Case Analysis of Algorithms (Introduction)
算法的数学分析的主要目标之一是提供关于哪种算法是解决给定计算问题的“最佳”算法的指导。最坏情况分析通过算法在给定大小的任何输入上的最差性能来总结算法的性能概况,隐含地提倡具有最佳可能的最坏情况性能的算法。强的最坏情况保证是算法设计的圣杯,它提供了一个与应用无关的算法鲁棒良好性能的证明。然而,对于许多基本问题和业绩衡量标准,这种保证是不可能的,需要一种更细致入微的分析方法。本章将介绍最坏情况分析的几种替代方法,本书后面将详细讨论这些方法。
2020-07-26 cs.DS stat.ML
Dynamic Data Layout Optimization with Worst-case Guarantees
Georgia Institute of Technology(佐治亚理工学院);VMware Research(威睿研究院);Stanford University(斯坦福大学)
本文提出在线数据布局重组框架 OReO,在无工作负载先验知识时平衡查询收益与重组成本,并给出最坏情况紧界,实验显示总时间最多改善32%。
2024-05-08 cs.DB cs.DS cs.LG
De-amortized Cuckoo Hashing: Provable Worst-Case Performance and Experimental Results
Cuckoo hashing是一个非常实用的动态字典:它提供了摊销常数插入时间,最坏情况下的常数删除时间和查找时间,以及良好的内存利用率。然而,在插入n个元素的过程中,有一个明显的概率,一些插入需要Ω(log n)时间。尽管这种分期保证可能适用于某些应用,但在其他应用(例如高性能路由)中,这是非常不可取的。最近,Kirsch和Mitzenmacher(Allerton '07)提出了一种使用各种保留其吸引人的特性的加密技术的cuckoo hashing的去摊销。Kirsch和Mitzenmacher通过实验结果证明了对布谷鸟散列的最坏情况性能的显着改善,但他们留下了构建具有可证明属性的方案的问题。在这项工作中,我们遵循Kirsch和Mitzenmacher,并提出了一个去摊销的布谷鸟散列,可证明保证恒定的最坏情况下的操作。具体地,对于多项式多个操作的任何序列,在初始化阶段的随机性上具有压倒性的概率,每个操作在恒定时间内执行。我们的理论分析和实验结果表明,该计划是非常有效的,并提供了一个实际的替代方案,只有其他已知的动态字典与这种最坏的情况下的保证,由于Dietzfelbinger和Meyer auf der Heide(ICALP '90)。
2009-03-02 cs.DS
Fully-Dynamic All-Pairs Shortest Paths: Likely Optimal Worst-Case Update Time
针对无负环图的全动态全对最短路径问题,本文提出了一种运行时间为 $\ ilde O(n ^ {2.5})$ 的 Monte Carlo 算法,达到了猜测的最坏情况更新时间下界,同时保持 $\ ilde O(n ^ 2)$ 的空间界限。
2024-08-27 cs.DS
Bidirectional PageRank Estimation: From Average-Case to Worst-Case
我们提出了一种新的算法,用于估计的个性化PageRank(PPR)之间的源和目标节点的无向图,次线性运行时间保证在最坏情况下的源和目标节点的选择。我们的工作建立在最近的工作线上的双向估计PPR,获得次线性运行时间的保证,但在平均情况下,目标节点的均匀随机选择。至关重要的是,我们展示了如何利用无向网络上随机游走的可逆性将平均情况转换为最坏情况的保证。过去的双向方法将正向随机游走与反向本地推送相结合,而我们的算法将正向本地推送与反向随机游走相结合。我们还讨论了如何修改我们的方法,以估计任何长度分布的随机行走概率,从而获得快速算法估计一般图扩散,包括热核,无向网络。
2015-12-15 cs.DM cs.DS
Beating the Folklore Algorithm for Dynamic Matching
动态图中的最大匹配问题受到边缘更新(插入和删除)在过去的几年中受到了很大的关注,获得了大量的近似/时间权衡,改进民俗算法,它保持了最大(因此$2$ -近似)匹配在$O(n)$最坏情况下的$n$ -节点图的更新时间。我们提出了第一个确定性算法,它优于民俗算法的{ \em都}近似比和最坏情况下的更新时间。具体地说,我们给出了$n$ -节点,$m$ -边图中具有$O(m^{3/8})=O(n^{3/4})$最坏情况更新时间的$(2-Ω(1))$ -近似算法。对于足够小的常数$ε>0$,没有已知的具有最坏情况更新时间$O(n^{0.99})$的确定性$(2+ε)$近似算法。我们的第二个结果是第一个确定性的$(2+ε)$ -近似加权匹配算法与$O_ε(1)\cdot O(\sqrt[4]{m}) = O_ε(1)\cdot O(\sqrt{n})$最坏情况下的更新时间。我们的主要技术贡献有三个方面:首先,我们的特点紧的情况下,\emph{kernels},这是充分研究的匹配稀疏的基础上的$(2+ε)$近似动态匹配文献。这种特性,以及多个想法-旧的和新的-的基础上,我们的结果打破了$2$的近似障碍。我们的第二个技术贡献是动态匹配算法的第一个例子,由于改进了其他动态匹配算法的\emph{recourse},其运行时间得到了改进。最后,我们将展示如何使用动态二分匹配算法的黑盒子程序的动态匹配一般的…
2021-11-28 cs.DS
An O(loglog n)-Competitive Binary Search Tree with Optimal Worst-Case Access Times
我们提出了拉链树,一个$O(\log \log n)$竞争力的在线二叉搜索树,执行每个访问在$O(\log n)$最坏情况下的时间。这表明,对于二叉搜索树,最佳的最坏情况下的访问时间和接近最佳的摊销访问时间可以同时保证。
2010-02-27 cs.DS
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
Learning-Augmented Ski Rental with Discrete Distributions: A Bayesian Approach
本文提出了一种基于贝叶斯方法的雪具租赁算法,结合离散分布和机器学习预测,实现先验依赖的竞争保证和鲁棒性,适用于多种预测场景。
2025-12-08 cs.DS cs.LG
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
Dynamic Deterministic Constant-Approximate Distance Oracles with $n^ε$ Worst-Case Update Time
本研究提出一种全动态确定性常数近似距离预言机,通过动态化长度约束扩张子工具绕开Even-Shiloach树,实现$n^ε$最坏情况更新时间与$O_ε(\text{log}\text{log}n)$查询时间,显著推进动态图距离近似算法性能边界。
2024-04-10 cs.DS
Worst-case Deterministic Fully-Dynamic Planar 2-vertex Connectivity
我们研究动态平面图的$n$顶点,受到边删除,边收缩,边插入面,和分裂的顶点在指定的角落。我们动态地保持这样一个平面图的组合嵌入,受到连接和$2$ -顶点连接(双连接)对顶点之间的查询。当一个查询对是连通的而不是双连通的时,我们会找到第一个和最后一个割顶点来分隔它们。此外,我们允许通过翻转由至多两个顶点连接到图的其余部分的子图的嵌入来对嵌入进行局部改变。我们使用$O(n)$大小的数据结构,支持在确定性、最坏情况、$O(\log^2 n)$时间内的所有查询和更新。在此之前,全动态平面双连通性(受我们的操作集)的最佳界限是一般图的摊销$\tilde{O}(\log^3 n)$,并且具有最坏情况的多对数更新时间的算法仅在部分动态(仅插入或仅删除)设置中已知。
2022-09-28 cs.DS
Alphabet-Dependent String Searching with Wexponential Search Trees
如果坚持线性大小的数据结构和确定性的最坏情况运行时间,则广泛地假设$O(m+\lg σ)$是在存储大小为$σ$的字母表上的字符串的压缩trie中找到长度为$m$的模式所能做的最好的选择[Cole等人,ICALP'06]。在这篇文章中,我们首先展示了一个相当简单的组合,众所周知的想法产生$O(m+\lg\lg σ)$确定性的最坏情况下的静态尝试搜索时间。然后,我们继续进行动态尝试,其中我们实现每个查询或更新的$O(m+\frac{\lg^{2}\lgσ}{\lg\lg\lgσ})$的最坏情况界限,这应该再次与先前已知的$O(m+\lgσ)$确定性最坏情况界限进行比较[Cole等人,ICALP'06],以及依赖于字母表\emph{in}的$O(m+\sqrt{\lg n/\lg\lg n})$确定性最坏情况界限[Andersson和Thorup,SODA'01],其中$n$是trie中的节点数。我们的更新过程的基础是指数搜索树的加权变体,虽然简单,但可能是独立的兴趣。作为一个特定应用,上述界限(静态和动态)适用于后缀树。在那里,更新对应于在文本中添加或追加一个字母,另外一个目标是更新比重新匹配整个后缀更快。我们展示了如何在$O(\lg\lg n + \frac{\lg^{2}\lgσ}{\lg\lg\lgσ})$时间内做到这一点,这改善了先前已知的$O(\lg n)$结合[Amir等人…
2013-02-14 cs.DS
Online and Random-order Load Balancing Simultaneously
研究了在lp-范数下的在线负载均衡问题:顺序作业需要分配到其中一台机器上,目标是使机器负载的lp-范数最小。这推广了经典的调度问题的最大完工时间最小化(情况l_infty),并已被深入研究。然而,尽管最近推动超越最坏情况的分析,没有这样的结果是已知的这个问题。在本文中,我们提供的算法,同时保证最坏情况下的模型,以及随机顺序(即秘书)模型,其中任意一组工作是随机顺序。首先,我们证明了具有最优O(p)最坏情况保证的贪心算法(带重启)也具有(典型的)改进的随机顺序保证。然而,该算法在随机顺序模型的行为退化与p.然后,我们提出了算法SIMULTANEOUSLB,同时具有最佳的保证(常数内)在最坏的情况下和随机顺序模型。特别地,SIMULTANEOUSLB的随机阶保证随着p的增加而改善。其中一个主要组成部分是一个新的算法,改进的遗憾在线线性优化(OLO)的非负向量在lq球。有趣的是,这种OLO算法也被用来证明一个纯粹的概率不等式,该不等式控制随机顺序模型中出现的相关性,这是分析困难的常见来源。SIMUTANEOUSLB和我们的OLO算法中使用的另一个重要组成部分是可能独立感兴趣的lp范数的平滑。这种平滑性使我们能够将算法SIMULTANEOUSLB视为最坏情况模型中的贪婪算法,以及随机顺序模型中的原始对偶算法,这有助于其同时保证。
2016-10-28 cs.DS
Data-driven Competitive Algorithms for Online Knapsack and Set Cover
在线算法的设计倾向于关注具有最坏情况保证的算法,例如,竞争力的比例。然而,众所周知,这样的算法通常过于悲观,在非最坏情况下的输入上执行次优。在本文中,我们开发了一种在线算法的数据驱动设计方法,该方法保持接近最优的最坏情况保证,同时还进行学习,以便在典型输入下表现良好。我们的方法是确定承认全球最坏情况下的保证政策类,然后使用历史数据进行学习的政策类。我们展示了两个经典的问题,在线背包和在线集覆盖的背景下,证明在每种情况下丰富的政策类的竞争范围的方法。此外,我们通过电动汽车充电的案例研究说明了实际意义。
2020-12-09 cs.DS cs.NA math.NA
Adaptive Out-Orientations with Applications
本研究提出自适应图边定向维护算法,可适应当前图的荫度,在出度有界的前提下实现更优的更新时间权衡,并将其应用于最大子图密度近似、最优出边定向、最大匹配等多个动态图问题,取得了相比已有工作的改进。
2023-11-04 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
Fully Dynamic s-t Edge Connectivity in Subpolynomial Time
我们提出了一个确定性的完全动态的算法来回答$c$-边连接查询的$n^{o(1)}$顶点对的最坏情况下更新和查询时间为任何正整数$c = (\log n)^{o(1)}$的图与$n$顶点。以前,已知只有多对数和$O(\sqrt{n})$最差情况更新时间全动态算法分别用于回答$1$、$2$和$3$-边缘连接查询[Henzinger和King 1995,Frederikson 1997,Galil和Italiano 1991]。我们的结果将$c$-边连通性顶点稀疏因子[Chalermsook et al. 2021]扩展到多级稀疏化框架。作为我们的主要技术贡献,我们提出了一种新的更新算法的多级$c$-边连接顶点稀疏子的次多项式更新时间。
2022-02-09 cs.DS
On Dynamic Graph Algorithms with Predictions
本文研究带不完美未来更新预测的动态图算法,给出增量/减量、全动态问题及归约方案,实现预测误差与运行时间之间的平滑权衡。
2023-12-08 cs.DS
Trade-offs in dynamic coloring for bipartite and general graphs
我们提出了在增量和完全动态设置中的权衡,以保持适当的着色。对于任何完全动态的$2$着色算法,更新时间、查询次数和查询时间的最大值为$Ω(\log n)$。我们提出了一个确定性的全动态$2$着色算法,其中包含$O(\log^2 n)$分摊更新时间,$O(\log n)$分摊查询时间,以及最坏情况下的一个查询。对于任何增量$2$着色算法,显式地保持每个顶点的颜色后,每次更新,摊销更新时间和摊销的数量为$Ω(\log n)$。对于这样的算法,在最坏的情况下,更新时间和更新次数是$Ω(n)$。然后,我们设计了一个确定性的增量$2$着色算法,显式地保持每个顶点的颜色后,每次更新,与摊销$O(\log n)$更新时间和摊销$O(\log n)$许多的装饰。此外,在最坏的情况下,更新时间和更新次数是$O(n)$。此外,我们提出了一个确定性的增量$(1+2 \log n)$着色算法,显式地保持每个顶点的颜色后,每次更新,与$O(α(n))$摊销更新时间,最多一个查询和$O(1)$查询时间。然后,我们展示了一个确定性的增量$2$着色算法,它不保持颜色的每个顶点后,每次更新,摊销$O(α(n))$更新时间,摊销$O(α(n))$查询时间和摊销$O(α(n))$。对于一般的图和有界荫度$γ$和最大度$Δ$的图,我们提出了一个具有$O(\sqrt{m})$更新时间、$O(1)$查询时间和一个查询的确定性$…
2020-02-27 cs.DS
Exact Algorithms With Worst-case Guarantee For Scheduling: From Theory to Practice
这篇博士论文总结了设计精确算法的研究工作,这些算法为NP难调度问题提供了最坏情况(时间或空间)保证。理论和实践方面被认为是三个主要结果报告。第一个是一个动态规划算法,它在O*(3^n)的时间和空间内解决了F3Cmax问题。该算法易于推广到其他流水车间问题和单机调度问题。第二个贡献是关于一个搜索树的方法,称为分支与合并,解决了1||在多项式空间中,时间复杂度时间复杂度收敛到O*(2^n)。我们的第三个贡献,旨在提高实际效率的精确搜索树算法解决调度问题。首先,我们意识到实现分支合并思想的一个更好的方法是使用一种称为分支合并的技术。通过发现一个新的算法悖论和实施内存清理策略,该方法成功地解决了300多个任务的情况下,相对于最先进的算法为1|| SumTi问题。然后将处理扩展到另外三个问题1 |ri| SumCi、1 |dtilde| SumwiCi和F2||总和这四个问题的结果一起显示了应用于排序问题时的优化范式的力量。我们将其命名为Branch & Boundize,以促进系统地考虑将Boundization作为分支算法(如Branch and Bound)中的基本构建块。该方法当然也可以用来解决其他问题,这不一定是调度问题。
2017-12-06 cs.CC cs.DS
Dynamic Maximal Independent Set using Predictions
Indian Institute of Technology Roorkee(印度理工学院罗尔基分校)
该研究在预测模型下提出了适用于增量、减量及完全动态场景的确定性动态最大独立集算法,其更新时间依赖于预测误差,满足带预测算法的必要属性,还可利用通用误差修正框架放宽误差度量并保持时间界。
2026-10-14 cs.DS