Expander Decomposition and Pruning: Faster, Stronger, and Simpler
我们研究图聚类的问题,其目标是将图划分为簇,即顶点的不相交子集,使得每个簇内部连接良好,而稀疏连接到图的其余部分。特别是,我们使用一个自然的双准则概念的动机Kannan,Vempala,和Vetta,我们称为{ \em扩展分解}。Expander分解已经成为快速图算法设计的重要组成部分,尤其是Spielman和Teng提出的近似线性时间Laplacian算法,它在实际中也有着广泛的应用。我们设计算法的参数化版本的扩展器分解,其中给定一个图形$G$的$m$边缘和一个参数$ϕ$,我们的算法发现一个分区的顶点到集群,使得每个集群诱导电导至少$ϕ$(即$ϕ$扩展器)的子图,只有$\widetilde{O}(ϕ)$分数的边缘在$G$有端点跨不同的集群。我们的算法运行在$\widetilde{O}(m/ϕ)$时间,是第一个接近线性时间算法时,$ϕ$至少是$1/\log^{O(1)} m$,这是在大多数实际设置和理论应用的情况。以前的结果要么花费$Ω(m^{1+o(1)})$时间,要么获得接近线性的时间,但扩展保证较弱,其中每个输出簇都保证包含在某个未知的$ϕ$扩展器中。我们的结果实现了几乎线性的运行时间和强大的扩展保证集群。此外,我们开发的主要技术,我们的结果可以应用到获得一个更好的\emph{expander pruning}算法,这是一个关键的工具,保持一个扩展分解的动态图。最后,我们注意…
2021-12-15 cs.DS
Simple Length-Constrained Expander Decompositions
University of Michigan(密歇根大学)
本文提出了长度受限扩展器分解存在性的简单证明,通过应用稀疏长度受限割集的性质,将分解大小改进至$s^{O(1/s)} \cdot \phi m$。
2025-10-11 cs.DS
Expander Decomposition for Non-Uniform Vertex Measures
Tel Aviv University(特拉维夫大学);Max Planck Institute for Informatics(马克斯·普朗克计算机科学研究所)
本文针对非均匀顶点测度下的广义扩展度概念,将ADK的扩展器分解算法推广,提出了随机化Õ(m)时间的对应分解算法,为广义扩展器分解提供参考。
2026-11-02 cs.DS
Worst-Case to Expander-Case Reductions
近年来,扩展器分解方法被用于开发许多图算法,从而对长期存在的复杂性障碍进行了重大改进。这个强大的锤子导致社区(1)相信大多数问题在最坏情况下的图上和在扩展器上一样容易,(2)怀疑扩展器分解是打破细粒度复杂性中剩余的长期障碍的关键。我们开始调查这两件事在多大程度上是正确的(以及对于哪些问题)。为此,我们提出了最坏情况到扩张情况自约简的概念。我们为基本图问题设计了一个这样的约简集合,验证了它们的信念(1)。该列表包括$k$ -团、$4$ -圈、最大基数匹配、顶点覆盖和最小支配集。有趣的是,对于大多数(但不是所有)这些问题的证明是通过一个简单的小工具减少,而不是通过扩展器分解,这表明这个锤子对这个问题是有效的无用的,并矛盾(2)。
2022-11-24 cs.DS
Expander Decomposition in Dynamic Streams
本文首次在动态流模型中研究了图的 expander 分解,通过引入 power_cut 稀疏器这一新型算法工具,使用 $\tilde{O}(n/εδ)$ 空间实现了递归最稀疏割过程,并证明了其空间复杂度的渐近紧致性。
2023-08-03 cs.DS
The Expander Hierarchy and its Applications to Dynamic Graph Algorithms
我们引入了一个概念,层次图聚类,我们称之为扩展层次结构,并显示了一个完全动态的算法,用于维护这样的层次结构上的图形与$n$顶点进行边插入和删除使用$n^{o(1)}$更新时间。扩展器层次结构是图的树表示,其忠实地捕获割流结构,因此我们的动态算法几乎立即暗示了几个结果,包括:(1)具有$n^{o(1)}$最坏情况更新时间的第一个完全动态算法,其允许在$O(\log^{1/6} n)$时间内查询任何给定$(s,t)$的$n^{o(1)}$ -近似电导、$s$-$t$最大流和$s$ - $t$最小割。我们的结果是确定性的,并延伸到多商品的削减和流动。这些结果背后的关键思想是一个完全动态的算法,用于维护树流稀疏,Räcke [FOCS'02]为构建竞争性不经意路由方案引入的概念。(2)一种具有$n^{o(1)}$最坏情况更新时间的确定性全动态连通性算法。这大大简化了Chuzhoy等人最近的算法。它使用Nanongkai等人的框架。[FOCS'17]。(3)第一个非平凡的确定性的完全动态树宽分解算法的恒定度图与$n^{o(1)}$最坏情况的更新时间,保持树宽分解的宽度$\text{tw}(G)\cdot n^{o(1)}$其中$\text{tw}(G)$表示当前图的树宽。我们的技术是基于一个新的更强的概念的扩展分解,称为边界连接扩展分解。这种分解对更新更鲁棒,并且更好地捕获图的聚类结构。由于…
2020-07-21 cs.DS
Length-Constrained Directed Expander Decomposition and Length-Constrained Vertex-Capacitated Flow Shortcuts
本文证明了有向图与无向顶点容量图中长度受限展开子图分解的存在性,并构建了长度受限流捷径,为推广相关算法至更一般图奠定基础。
2025-03-29 cs.DS
Deterministic Distributed Expander Decomposition and Routing with Applications in Distributed Derandomization
最近在利用扩展器的$\mathsf{CONGEST}$模型中的分布式图算法中有一个令人兴奋的工作。到目前为止,所有这些算法都是基于两个工具:扩展器分解和扩展器路由。$(ε,ϕ)$ -扩展器分解去除边缘的$ε$ -分数,使得剩余的连接分量具有至少$ϕ$的电导,即,它们是$ϕ$ -扩展器,并且扩展器路由允许$ϕ$ -扩展器中的每个顶点$v$非常快速地与任何其它顶点交换$\text{deg}(v)$消息,而不仅仅是其本地邻居。在本文中,我们给出了第一个有效的确定性分布式算法的工具。我们表明,$(ε,ϕ)$ -扩展器分解可以确定性地计算在$\text{poly}(ε^{-1}) n^{o(1)}$轮$ϕ= \text{poly}(ε) n^{-o(1)}$,并扩展器路由可以确定性地执行在$\text{poly}(ϕ^{-1})n^{o(1)}$轮。这两个结果都与[Chang和Saranurak,PODC 2019]和[Ghaffari,Kuhn和Su,PODC 2017]的随机算法的先前界限相匹配,直到子多项式因子。因此,我们去随机化现有的分布式算法,利用扩展器。我们证明了$n^{o(1)}$ -扩展器上的最小生成树可以在$n^{o(1)}$轮中确定性地构造,并且一般图上的三角形检测和枚举可以分别在$O(n^{0.58})$轮和$n^{2/3 + o(1)}$轮中确定性地解决。我们还给出了…
2020-07-29 cs.DC cs.DS
Parallel and Distributed Expander Decomposition: Simple, Fast, and Near-Optimal
本文提出首个近最优并行扩展器分解算法,以近线性工作量和近常数跨度运行,并可在分布式Congest模型中高效实现,首次将跨越边比例降至近最优水平。
2025-01-06 cs.DS
Expander Decomposition with Fewer Inter-Cluster Edges Using a Spectral Cut Player
本文提出一种基于谱切割玩家的非停止博弈算法,在 $\tilde{O}(m/ϕ)$ 时间内计算 $(ϕ, ϕ\log^2 {n})$-expander decomposition,将簇间边数量改进至最优值的对数因子范围内,解决了 SW 提出的开放问题。
2025-02-03 cs.DS
Faster connectivity in low-rank hypergraphs via expander decomposition
我们设计了一个计算超图连通性的算法,该算法在时间上运行$\hat O_r(p + \min\{λ^{\frac{r-3}{r-1}} n^2, n^r/λ^{r/(r-1)}\})$($\hat O_r(\cdot)$隐藏了主参数中的次多项式项和仅依赖于$r$的项),其中$p$是超图的大小,$n$是顶点数,$r$是超图的秩。当秩为常数且连通度$λ$为$ω(1)$时,该算法比现有算法更快.在我们的算法的核心是一个结构性的结果,在简单超图的最小割。我们展示了一个权衡之间的超边的数量参加所有的最小切割和最小切割的较小的一面的大小。这个结构结果可以看作是简单图的一个著名结构定理的推广[Kawarabayashi-Thorup,JACM 19]。为了证明这个结构性结果,我们将扩展分解的框架扩展到简单超图。我们还对结构性结果进行了构造性证明,从而得到了我们的超图连通性快速算法。
2021-11-14 cs.DS
Near-Optimal Algorithm for Directed Expander Decompositions
该研究提出首个近最优时间复杂度Õ(m)的有向扩张器分解算法,可动态维护分解并获近最优更新时间,通过新推-拉-重标记流框架改进前人算法,还可加速最小成本流及最大流等相关算法。
2025-02-11 cs.DS
Improved Distributed Expander Decomposition and Nearly Optimal Triangle Enumeration
图$G=(V,E)$的$(ε,ϕ)$ -扩展分解是顶点$V=V_{1}\cup\cdots\cup V_{x}$的聚类,使得(1)每个聚类$V_{i}$诱导电导至少为$ϕ$的子图,并且(2)聚类间边的数目至多为$ε|E|$。本文给出了一种改进的分布式扩展分解。具体地说,我们构造了一个$(ε,ϕ)$ -扩展器分解,对于任何$ε\in(0,1)$和正整数$k$,在$O(n^{2/k}\cdot\text{poly}(1/ϕ,\log n))$轮中使用$ϕ=(ε/\log n)^{2^{O(k)}}$.例如,对于任意小的常数$γ>0$,可以在$O(n^γ)$轮中计算$(0.01,1/\text{poly}\log n)$ -扩展器分解。以前,Chang,Pettie和Zhang的算法可以对任何$δ>0$使用$\tilde{O}(n^{1-δ})$轮来构造$(1/6,1/\text{poly}\log n)$ -扩展器分解,但需要注意的是,该算法允许将一组边丢弃到一个额外的部分中,该部分形成至多$n^δ$具有荫度的子图。我们的算法没有这个警告。通过对Ghaffari,Kuhn和Su [PODC'17]提出的扩展器上的分布式路由算法稍加修改,我们得到了一个使用$\tilde{O}(n^{1/3})$轮的三角枚举算法.这与Izumi和Le Gall [PODC'17]以及Pandurangan…
2019-05-27 cs.DC cs.DS
Breaking the $n^{1.5}$ Additive Error Barrier for Private and Efficient Graph Sparsification via Private Expander Decomposition
本文通过提出私有扩展器分解算法,首次在差分隐私下将高效图割稀疏化的加性误差从 $n^{1.5}$ 降至 $n^{1.25+o(1)}$,同时保持 $1+γ$ 乘性误差和多项式时间。
2025-07-02 cs.DS
Greedy Region Growing: Improved Approximations for Cutwidth, Pathwidth, Flow-Expander Decomposition, and More
Max Planck Institute for Informatics(马克斯·普朗克计算机科学研究所)
该研究提出贪心区域增长技术,为割宽、路宽等多个图论问题提供改进近似算法,解答了相关开放问题,还解决了Seymour递归适配最小-最大目标的概念性问题。
2026-11-06 cs.DS
A Simple Deterministic Reduction From Gomory-Hu Tree to Maxflow and Expander Decomposition
本文提出一种简单高效的随机减少方法,将Gomory-Hu树转化为多项式最大流计算,并首次在多项式因子范围内实现了紧致性。
2026-04-24 cs.DS
Online Carpooling using Expander Decompositions
我们考虑在线拼车问题:给定$n$顶点,一系列边随着时间的推移到达。当边$e_t = (u_t, v_t)$到达时间步长$t$时,算法必须将边定向为$v_t \rightarrow u_t$或$u_t \rightarrow v_t$,目的是最小化任何顶点的最大差异,即,它的入度和出度之间的绝对差。边缘对应于想要一起乘坐的成对的人,并且定向表示指定驾驶员。然后,差异目标对应于每个人驾驶接近他们参与的乘坐的公平份额。在本文中,我们设计了有效的算法,可以保持polylog $(n,T)$最大差异(w.h.p)的任何序列的$T$到达时,到达的边缘是独立和均匀地从任何给定的图$G$采样。这为在线(随机)拼车问题提供了第一个多对数边界。在此之前的工作,最有名的界限是$O(\sqrt{n \log n})$ -差异的任何敌对序列的到来,或$O(\log\!\log n)$ -差异界限的随机到来时,$G$是完整的图形。我们的论文的技术关键是在表明,简单的贪婪算法,它具有可证明的好的差异界限时,到达的边缘均匀随机从完整的图,也有polylog差异时,$G$是一个扩展图。然后,我们将其与已知的扩展器分解结果相结合,设计我们的整体算法。
2020-10-03 cs.DS cs.GT
A Distanced Matching Game, Decremental APSP in Expanders, and Faster Deterministic Algorithms for Graph Cut Problems
扩张图在图论和算法中起着核心作用。随着围绕它们开发的许多强大的算法工具,例如切割匹配游戏,扩展器修剪,扩展器分解,以及扩展器中的递减所有对最短路径(APSP)算法,仅举几例,扩展器在图形算法设计中的使用已经变得无处不在。我们感兴趣的具体应用是快速确定性算法的静态图中的切割问题,和算法的动态距离为基础的图形问题,如APSP。不幸的是,在这些环境中使用扩张器会导致许多缺点。例如,目前已知的最好的用于常数度扩展器中的递减APSP的算法对于任何$ε$只能实现具有$n^{1+O(ε)}$总更新时间的$(\log n)^{O(1/ε^2)}$近似。所有目前已知的算法切割匹配游戏中的切割球员要么是随机的,或提供相当弱的保证。这反过来又导致了几个中心切割问题的算法保证有些弱:例如,目前最好的几乎线性时间确定性算法的Sparling-Cut只能实现近似因子$(\log n)^{ω(1)}$。最后,当依赖于扩展器在基于距离的问题,如动态APSP,通过目前的方法,似乎不可避免的是,一个必须解决的近似因子,至少是$Ω(\log n)$。在本文中,我们提出了使用良好的连接图,并介绍了一个新的算法工具包,这样的图,在某种意义上说,反映了上述算法工具的扩展。这些新工具之一是距离匹配游戏,一个类似于切割匹配游戏的良好连接图。我们通过为上述几个问题获得更好的结果来展示这些新工具的强大功能。
2022-12-08 cs.DS
Expander Hierarchies for Normalized Cuts on Graphs
University of Vienna(维也纳大学);Institute of Science and Technology Austria (ISTA)(奥地利科学与技术研究院);Technical University of Munich(慕尼黑技术大学);University of Vienna Faculty of Computer Science(维也纳大学计算机科学系);UniVie Doctoral School Computer Science DoCS(维也纳大学计算机科学博士学院)
本文提出一种高效的计算图扩张分解及其层次结构的算法,并将其作为新型归一化割图聚类求解器的核心组件,实验表明其在多种图类上在解质量上显著优于现有方法。
2026-04-24 cs.DS cs.LG
Deterministic Decremental SSSP and Approximate Min-Cost Flow in Almost-Linear Time
在递减单源最短路径问题中,目标是保持从固定源$s$到$m$ -边图中经历边删除的每个顶点$v$的距离.在本文中,我们总结了这个问题的一个长期的研究显示一个接近最佳的确定性数据结构,保持$(1+ε)$近似距离估计和运行在$m^{1+o(1)}$总更新时间。我们的结果,特别是,删除了由Henzinger等人[FOCS'14],这导致了我们的第二个结果:$(1-ε)$近似最小成本流的无向图中的容量和成本可以采取的边缘和顶点的第一个几乎线性时间算法所需的不经意的对手的假设。以往求解具有顶点容量的最大流或具有任意容量的最小费用流的算法都需要超线性时间。我们的结果基本上完成了无向图中近似流的图像。第一个结果的关键技术是一个新的框架,使我们能够像对待扩张器的低直径图。这使我们能够利用扩展器属性,同时绕过扩展器分解的缺点,这几乎是所有以前的基于扩展器的算法需要处理的。对于第二个结果,我们使用随机化打破了乘法权重更新框架中臭名昭著的流分解障碍。
2021-01-19 cs.DS
Narrowing the LOCAL$\unicode{x2013}$CONGEST Gaps in Sparse Networks via Expander Decompositions
National University of Singapore(新加坡国立大学);Boston College(波士顿学院)
本文提出一个通用框架,利用分布式扩展器分解,在排除固定子图的稀疏网络中,为多个组合优化问题实现poly(log n, 1/ε)轮(1±ε)近似,并推广了分布式性质测试。
2025-10-23 cs.DC cs.DS
Distributed Triangle Detection via Expander Decomposition
我们提出了改进的分布式算法的三角形检测及其变种的CONGEST模型。我们表明,三角形检测,计数和枚举可以解决$\tilde{O}(n^{1/2})$轮。相比之下,由于Izumi和LeGall(PODC 2017),三角形检测和枚举的先前最先进界限分别为$\tilde{O}(n^{2/3})$和$\tilde{O}(n^{3/4})$。在这项工作中的主要技术新颖性是一个分布式图划分算法。我们发现,在$\tilde{O}(n^{1-δ})$轮,我们可以划分成三个部分$E=E_m\cup E_s\cup E_r$的网络$G=(V,E)$的边缘集,使(a)每个连接组件诱导的$E_m$有最小度$Ω(n^δ)$和电导$Ω(1/\text{poly} \log(n))$。因此,分量内的随机游走的混合时间是$O(\text{poly} \log(n))$。(b)由$E_s$导出的子图至多在$n^δ$处有荫度。(c)$|E_r| \leq |E|/6$。我们所有的算法都基于以下通用框架,我们相信这是超越这项工作的兴趣。粗略地说,我们用一种对低荫度图有效的算法来处理集合$E_s$,并用递归调用来处理集合$E_r$。对于$E_m$诱导的每个连接组件,我们能够通过应用Ghaffari,Kuhn和Su(PODC 2017)的路由算法来模拟具有小开销的拥塞集团算法。
2018-07-17 cs.DC cs.DS
Streaming, Local, and Multi-Level (Hyper)Graph Decomposition
本论文研究(超)图分解问题,提出流式、局部和多级算法,分别用于图/超图划分、局部社区检测及进程映射和符号图聚类,实验证明优于现有方法。
2023-08-29 cs.DS
Streaming $k$-edit approximate pattern matching via string decomposition
针对流式$k$-编辑近似模式匹配问题,提出一种基于字符串分解的算法,将空间和单符号处理时间复杂度从原有$\tilde{O}(k^5)$、$\tilde{O}(k^8)$大幅优化至$\tilde{O}(k^2)$。
2023-05-01 cs.DS
Parallel and Streaming Algorithms for K-Core Decomposition
Google Research(谷歌研究院)
$k$ -核心分解是许多机器学习和数据采掘应用中的基本原语。我们提出了第一个分布式和第一个流算法来计算和维护一个近似的$k$核心分解与可证明的保证。我们的算法实现了严格的界限上的空间复杂度,同时边界的通过或计算轮数。我们这样做,提出了一个新的强大的草图技术$k$核心分解,然后通过显示它可以有效地计算流和MapReduce模型。最后,我们证实了我们的素描技术的有效性经验上的一些公开的图形。
2018-11-23 cs.DC cs.DS cs.LG
Streaming and Batch Algorithms for Truss Decomposition
桁架分解是一种用于分析大型稀疏图以识别连续更好连通子图的方法。由于在许多领域中,底层图随着时间的推移而变化,因此其相关的桁架分解也需要更新。这项工作的重点是增量更新现有的桁架分解的问题,并作出以下三个重要贡献。首先,它提出了一个理论,确定如何桁架分解可以改变新的边缘得到添加。其次,它开发了一个有效的增量算法,结合各种优化更新后的桁架分解的每一个边缘添加。这些优化旨在减少算法探索的边的数量。第三,它将该算法扩展到批量更新(即,其中在添加一组边之后需要更新桁架分解),这减少了需要执行的总体计算。我们评估了我们的算法在真实世界数据集上的性能。我们的增量算法实现了超过250000倍的平均加速比插入一个边在一个图与10万边相对于非增量算法。此外,我们的批量更新实验表明,我们的批量算法始终优于增量算法。
2019-08-28 cs.DS cs.SI
A Simple Deterministic Algorithm for Edge Connectivity
给出了一个在$m^{1+o(1)}$时间内计算具有$m$边的简单图的边连通度的确定性算法。尽管Henzinger、Rao和Wang [SODA '17]提出的最快确定性算法的运行时间比$O(m\log^{2}m\log\log m)$更快,但我们认为我们的算法在概念上更简单。这种简化的关键工具是扩展器分解。我们利用它在一个非常简单的方式相比,它是如何在以前的文献中使用。
2020-08-19 cs.DS
Streaming Balanced Clustering
度量空间中数据点的聚类是计算机科学中最基本的问题之一,在数据挖掘、信息检索和机器学习等领域有着广泛的应用。由于大型数据集的聚类的必要性,已经开发了几个流算法的聚类问题,如$k$ -中位数和$k$ -均值问题的不同变体。然而,尽管上下文的重要性,目前的理解平衡集群(或更一般的能力集群)在流设置是非常有限的。先前已知的用于容量限制聚类的唯一流近似算法需要三次通过并且仅处理插入。在这项工作中,我们开发了\emph{the first single pass streaming algorithm}的一般类的聚类问题,其中包括capacitated $k$ -中位数和capacitated $k$ -在欧几里得空间的手段,只使用多$( k d \log Δ)$空间,其中$k$是集群的数量,$d$是尺寸和$Δ$是坐标的最大相对范围。(Note $d\log Δ$是表示一个点所需的空间。)该算法仅通过$1+ε$因子违反容量约束。有趣的是,与以前的算法不同,我们的算法处理点的插入和删除。为了提供这个结果,我们定义了通过一些弯曲的半空间的空间的分解。我们使用这种分解来设计一个强大的核心集的大小多$( k d \log Δ)$平衡聚类。然后,我们表明,这种coreset是可实现的流和分布式设置。
2019-10-02 cs.DC cs.DS
Efficient Distributed Decomposition and Routing Algorithms in Minor-Free Networks and Their Applications
National University of Singapore(新加坡国立大学)
本文提出在排除固定最小团的网络中,通过改进的分解与路由算法,在CONGEST模型中以多项式对数时间解决近似最大独立集和属性测试问题。
2026-03-24 cs.DC cs.DS
Hierarchical Clustering in Graph Streams: Single-Pass Algorithms and Space Lower Bounds
层次聚类(HC)问题包括建立一个层次的聚类来表示给定的数据集。受现代大规模应用的启发,我们研究了\streaming模型中的问题,在该模型中,内存严重受限,只允许对输入进行一次或很少的传递。具体来说,我们调查是否可以获得一个良好的层次聚类,或者至少我们是否可以近似估计的最佳层次的值。为了衡量质量的层次结构,我们使用的HC最小化目标介绍Dasgupta。假设输入是一个$n$ -顶点加权图,其边到达流中,我们得到以下关于空间与精度权衡的结果:* 使用$O(n\cdot \text{polylog}\,{n})$空间,我们开发了一个单遍算法,其近似比匹配当前最好的离线算法。* 当空间是有限的,即$n^{1-o(1)}$,我们证明,没有算法甚至可以估计最佳HC树的值内的$o(\frac{\log{n}}{\log\log{n}})$因素,即使允许$\text{polylog}{\,{n}}$通过输入。* 在最严格的设置$\text{polylog}\,{n}$空间,我们排除了算法,甚至可以区分“高度”与“差”聚类图,即,图形之间有一个$n^{1/2-o(1)}$因素差距HC目标值。* 最后,我们证明,任何单通流算法,计算一个最佳的HC树需要存储几乎整个输入,即使允许的指数时间。我们的算法结果建立了一个一般的结构性结果,证明了输入图的切割稀疏可以保持“平衡”HC树的成本在一个常数因子。我们的…
2022-06-15 cs.DS
Streaming Coresets for Symmetric Tensor Factorization
IIT Gandhinagar(印度理工学院甘地纳格尔分校)
分解张量最近已经成为许多机器学习管道中的重要优化模块,特别是在潜变量模型中。我们展示了如何在流媒体设置中有效地做到这一点。给定一组$n$向量,每个在$\mathbb{R}^d$,我们提出的算法来选择一个次线性数量的这些向量作为coreset,同时保证CP分解的$p$矩张量的coreset近似相应的分解的$p$矩张量计算的完整的数据。我们介绍了两种新的算法技术:在线过滤和核化。使用这两个,我们提出了六个算法,实现不同的权衡coreset大小,更新时间和工作空间,击败或匹配各种最先进的算法。在矩阵($2$有序张量)的情况下,我们的在线行采样算法保证了$(1 \pm ε)$相对误差谱近似。我们展示了我们的算法在学习单主题建模中的应用。
2020-07-13 cs.DS cs.LG stat.ML
Streaming periodicity with mismatches, wildcards, and edits
DIENS, École normale supérieure de Paris, PSL Research University(巴黎高等师范学院,PSL研究大学)
本文研究含噪声字符串的流式周期检测,结合汉明距离草图和结构描述提出更高效算法,并首次给出编辑距离下的双遍流算法。
2025-09-19 cs.DS
Approximating Semi-Matchings in Streaming and in Two-Party Communication
研究了近似无权半匹配的通信复杂性和流复杂性。二分图G =(A,B,E)(n = |A|)中的半匹配是边S的子集,它将所有A顶点与B顶点匹配,目标通常是尽可能公平地完成。虽然术语“半匹配”是由Harvey等人在2003年创造的。[WADS 2003],但该问题之前已经在调度文献中以不同的名称进行了研究。我们提出了一个确定性的一遍流算法,对于任何0 <= ε<= 1使用空间O(n^{1+ε})和计算O(n^{(1-ε)/2})-近似的半匹配问题。在O(log n)的情况下,时间复杂度为O(log n)。在单向两方通信设置中,我们证明了对于每个ε> 0,用于计算O(n^{1/((1+ε)c + 1)})-近似的确定性通信协议需要大于cn比特的消息。我们提出了两个确定性的协议通信n和2n边,计算一个O(sqrt(n))和O(n^{1/3})-近似分别。最后,我们改进了Harvey等人[Journal of Algorithms 2006]的结果,并证明了半匹配和匹配之间的新联系。虽然众所周知最佳半匹配包含最大匹配,但我们证明了最佳半匹配可以分层分解为最大匹配。类似的结果也适用于不允许长度为2度的最小化路径的半匹配。
2013-04-25 cs.DS
Deterministic Spectral Sparsification in Almost-Linear Time for Dense Graphs
Carnegie Mellon University(卡内基梅隆大学)
该研究针对稠密图,提出一种近线性时间的确定性谱稀疏化算法,通过悲观估计器选择匹配与递归阻塞方案,实现了高效的谱稀疏器构造,时间复杂度达到m^(1+o(1))+Õ_ε(n²)。
2026-08-17 cs.DS
Brooks' Theorem in Graph Streams: A Single-Pass Semi-Streaming Algorithm for $Δ$-Coloring
针对半流式模型下的$Δ$-着色问题,提出一种随机化单遍半流式算法,通过基于稀疏-稠密分解的稀疏恢复和受控重新着色技术,以高概率正确判定不可着色或输出$Δ$-着色方案。
2023-08-03 cs.DS
Towards an SDP-based Approach to Spectral Methods: A Nearly-Linear-Time Algorithm for Graph Partitioning and Decomposition
在本文中,我们考虑以下图划分问题:输入是无向图$G=(V,E),$、平衡参数$b \in (0,1/2]$和目标电导值$γ\in (0,1).$。输出是切割,如果非空,对于某些功能$f(G, γ),$,在最多$O(f),$时具有电导,并且与最多$γ.$时的所有电导切割平衡或良好相关,Spielman和Teng给出了$\tilde{O}(|E|/γ^{2})$ -时间算法的$f= \sqrt{γ\log^{3}|V|}$,并使用它来分解成一个集合的近扩张图。我们提出了一个新的谱算法,该算法在时间上运行$\tilde{O}(|E|/γ)$为$f=\sqrtγ.$我们的结果产生了第一个近线性时间算法的经典平衡分离器问题,实现了渐近最优逼近保证谱方法。我们的方法具有概念简单的优点,并依赖于原始对偶半定规划SDP方法。我们首先考虑一个自然的SDP松弛的平衡分离器问题。虽然很容易从这个SDP中获得一个事实的证明,即该图没有电导小于$γ,$的平衡切割,但令人惊讶的是,我们可以获得更强相关条件的证明。这是通过一个新的分离预言我们的SDP和呼吁阿罗拉和凯尔的框架来约束运行时间。我们的结果包含可能独立感兴趣的技术成分。
2010-10-20 cs.DS
Streaming algorithms for groups and semigroups
Universität Siegen(锡根大学)
研究群与半群中字问题的确定性和随机性流算法,提出区分器概念,构造低空间复杂度的区分器,适用于线性半群和某些构造得到的半群,并给出下界证明部分半群不支持亚线性空间区分器。
2026-04-22 cs.DS math.GR
Deterministic Edge Connectivity and Max Flow using Subquadratic Cut Queries
本文提出首个在割查询模型中以 \widetilde{O}(n^{5/3}) 次查询求简单图全局最小割的确定性算法,并给出相应最大流算法及扩展器分解、孤立割的高效实现。
2024-10-24 cs.DS
Near-Optimal Directed Low-Diameter Decompositions
本文通过建立有向低直径分解与 Expander Decompositions 的联系,将边删除概率改进至近最优的 $O(\frac{1}{D} \cdot \log n \log\log n)$,并给出确定性和近线性时间的随机化构造算法。
2025-02-08 cs.DS
The Expiration Streaming Model: Diameter, $k$-Center, Counting, Sampling, and Friends
University of Bonn(波恩大学);University of Ljubljana(卢布尔雅那大学);Institute of Mathematics, Physics and Mechanics(数学、物理和力学研究所);University of Maryland, College Park(马里兰大学帕克分校);Weizmann Institute of Science(魏茨曼科学研究所);Microsoft Research(微软研究院);Université Côte d’Azur(蔚蓝海岸大学)
研究针对项目有任意过期时间的过期流模型,通过新分解和协调技术等,给出近似计数、采样算法,以及直径和k - 中心问题算法,扩展了滑动窗口流特殊情况结果,在高维欧几里得度量下有更好直径近似因子。
2026-07-28 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
Eulerian Graph Sparsification by Effective Resistance Decomposition
本研究提出基于有效电阻分解的欧拉图稀疏化算法,改进了欧拉拉普拉斯方程组求解的运行时间与稀疏子图的稀疏度界,还可扩展用于图谱谱草图计算。
2024-08-19 cs.DS
Streaming Facility Location in High Dimension via Geometric Hashing
在欧几里得统一设施定位(UFL)中,输入是$\mathbb{R}^d$中的一组客户端,目标是放置设施来为它们服务,以便最小化打开设施加上连接客户端的总成本。研究了动态几何流的设置问题,其中客户端表示为网格$\{1,\ldots,Δ\}^d$中点的插入和删除序列,重点研究了\emph{high-dimensional regime},其中$d\cdot\logΔ$中的算法必须使用空间多项式。我们提出了一个新的算法框架,基于重要性抽样,$O(1)$ -近似UFL只使用$\mathrm{poly}(d\cdot\logΔ)$空间。这个框架很容易在两个过程中实现,一个用于采样点,另一个用于估计它们的贡献。在随机顺序流上,我们可以通过分别使用流的两部分来将其扩展为一次传递。我们的主要结果,为任意顺序的流,计算$O(d / \log d)$ -近似在一个通过结合两个不同的通行证。这改进了以前的算法,要么需要空间$\exp(d)$或只保证$O(d\cdot\log^2Δ)$ -近似,因此,我们的算法是第一个高维,以避免$O(\logΔ)$ -因子的近似,这是固有的广泛使用的四叉树分解。我们的改进是通过采用几何散列方案,映射点在$\mathbb{R}^d$到桶的有界直径,与关键属性,每一个点集足够小的直径被散列到几个桶。通过对这种散列应用另一种界限,我们还在一次通过中获得了$O(1 / ε)$近似…
2023-01-29 cs.DS
Parallel Greedy Spanners
本文研究了并行贪心算法构造图的 $t$-spanner,证明即使并行添加匹配边,也能保证 spanner 的稀疏性,并利用长度受限扩展器分解的新进展进行分析。
2023-08-02 cs.DS
Sublinear Time and Space Algorithms for Correlation Clustering via Sparse-Dense Decompositions
Rutgers University(罗格斯大学)
我们提出了一种新的方法来解决(最小分歧)的相关聚类,结果在次线性算法与高效的时间和空间复杂度为这个问题。特别是,我们获得了以下算法的$n$ -顶点$(+/-)$ -标记的图形$G$:-一个次线性时间算法,以高概率返回一个恒定的近似聚类的$G$在$O(n\log^2{n})$时间假设访问的邻接列表的$(+)$ -标记的边缘$G$(这几乎是二次方快于甚至读取输入一次)。以前,没有次线性时间算法是已知的这个问题的任何乘法近似保证。--半流算法,其以高概率返回$G$在$O(n\log{n})$空间中的恒定近似聚类和在图$G$的边缘上的单次通过(该存储器几乎是输入大小的二次方)。以前,没有一个单遍算法与$o(n^2)$空间是已知的这个问题的任何近似保证。我们的方法的主要成分是一个新的连接到稀疏密集图分解,广泛用于图着色文献。据我们所知,这种连接是这些分解超出图着色的第一个应用,特别是相关聚类问题,可以独立的兴趣。
2021-09-29 cs.DS cs.LG
Distributed $(Δ+1)$-Coloring in $O(\sqrtΔ+\log^* n)$ Rounds
University of Freiburg(弗赖堡大学)
该研究针对最大度为Δ的n节点图,在LOCAL和CONGEST模型中提出确定性分布式(Δ+1)着色算法,结合多种技术优化轮数,还给出适配列表着色的扩展方案。
2026-10-14 cs.DC cs.DS