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 Consistent $k$-Center Clustering with Optimal Recourse
University of Salzburg(萨尔茨堡大学)
本文研究完全动态设置下的 k-中心聚类问题,提出最坏情况每次更新 recourse 仅为 1 的确定性常数因子近似算法,并给出新的递增与递减算法,改进了已有结果。
2025-06-03 cs.DS cs.LG
Fully Dynamic Consistent $k$-Center Clustering
本文提出首个完全动态一致 $k$-中心聚类算法,在允许点插入和删除时实现每次更新常数追索,优于平凡 $O(k)$ 界,且为确定性算法,能抵抗自适应对手。
2023-07-25 cs.DS
Competitively Consistent Clustering
研究了完全动态一致性聚类问题,通过归约至Positive Body Chasing框架并设计舍入方案,在保持近似比的同时最小化中心增删总次数,且证明了其界限近乎紧确。
2025-08-14 cs.DS
The Power of Recourse: Better Algorithms for Facility Location in Online and Dynamic Models
本文研究了具有资源和动态算法模型的在线设施选址问题。在有追索权的在线模型中,客户一个接一个地到达,我们的算法需要在所有时间步上保持良好的解决方案,只需对先前做出的决策(称为追索权)进行一些更改。我们发现,经典的本地搜索技术可以导致一个$(1+\sqrt{2}+ε)$ -竞争力的在线算法,只有$O\left(\frac{\log n}ε\log\frac1ε\right)$摊销设施和客户端资源的设施位置。然后,我们转向问题的动态算法模型,其中的主要目标是设计快速算法,保持良好的解决方案,在所有的时间步骤。我们表明,在线设施定位的结果,结合Charikar和Guha [10]的随机局部搜索技术,导致$O(1+\sqrt{2}+ε)$近似动态算法,在增量设置中具有$\tilde O(n)$的摊销更新时间。注意,运行时间几乎是最佳的,因为在一般的度量空间中,指定新客户机的位置需要$Ω(n)$时间。我们的算法的近似因子也匹配的最佳离线分析的经典局部搜索算法。最后,我们研究了设施选址的完全动态模型,客户可以到达和离开。我们的主要结果是一个$O(1)$ -近似算法在这个模型与$O(|F|)$预处理时间和$O(\log^3 D)$摊销更新时间的HST度量空间。使用Bartal [4]和Fakcharoenphol,Rao和Talwar [17]的开创性结果,这些结果表明任何任意$N$点度量空间都可…
2020-02-25 cs.DS
Beyond Vizing Chains: Improved Recourse in Dynamic Edge Coloring
Tel Aviv University(特拉维夫大学)
本文提出一种基于shift-tree的新技术,用于动态图中维护(Δ+C)-边着色,实现小恢复代价。该算法在大调色板情况下首次取得紧致的恢复代价界,并应用于低树宽图,改进了恢复代价的下限。
2026-11-05 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
Online Discrepancy with Recourse for Vectors and Graphs
向量平衡问题是差异理论中的一个基本问题:给定$[-1,1]^n$中的T个向量,找到每个向量$a$的符号$σ(a) \in \{\pm 1\}$,以最小化差异$\| \sum_{a} σ(a) \cdot a \|_{\infty}$。这个问题已经在静态/离线设置中得到了广泛的研究。在本文中,我们在具有追索权的全动态设置中开始研究:该算法看到T个向量的插入和删除流,并且每次必须保持低差异签名,同时还最小化每次更新的摊销追索权(任何向量改变其符号的次数)。对于一般向量,我们展示了几乎匹配斯宾塞的$O(\sqrt{n})$离线差异界限的算法,每次更新的${O}(n\cdot poly\!\log T)$摊销追索权。关键的想法是以分布式和递归的方式计算线性松弛的基本可行解,这有助于找到低差异的签名。为了约束追索权,我们认为只有一小部分的实例需要重新计算在每次更新。由于向量平衡也被大量研究稀疏向量,我们然后给出算法的低差异的边缘方向,我们动态地保持签名的2稀疏向量。或者,这可以被看作是定向n顶点图的动态边集,以最小化任何顶点处的入度和出度之间的绝对差。本文提出了一个具有$O(poly\!\log n)$差异和$O(poly\!\log n)$摊销追索权的确定性算法。核心思想是动态地保持具有低追索权的扩展器分解,然后表明,随着扩展器随时间的推移而变化,自然的局部搜索算法快速收敛(即,具有低追索…
2021-11-11 cs.DS math.CO
Maintaining Light Spanners via Minimal Updates
针对d维欧氏空间动态点集的轻量有界度(1+ε)-spanner维护问题,提出全动态算法,实现插入常数摊销追索权、删除O(logΔ)摊销追索权,同时保持度与轻量的常数界。
2024-03-05 cs.CG cs.DS
A Simple Dynamic Spanner via APSP
本文提出一个简单动态稀疏子图维护算法,通过归约到动态全源最短路径问题,实现n^{o(1)}近似,总时间m^{1+o(1)},总重排成本n^{1+o(1)},且仅增加O(log n)开销。
2024-08-21 cs.DS
Fully-Dynamic Submodular Cover with Bounded Recourse
Computer Science Department, Carnegie Mellon University(卡内基梅隆大学)
针对完全动态子模覆盖问题,提出基于Tsallis熵势函数和互覆盖概念的算法,实现最优竞争比和有界补偿,统一并推广了动态集合覆盖等结果。
2025-10-10 cs.DS
Dynamic Edge Coloring of Forests
The Blavatnik School of Computer Science and AI, Tel Aviv University(特拉维夫大学布拉瓦特尼克计算机科学与人工智能学院)
本文研究了森林中动态边着色问题,提出非贪心算法在特定条件下实现低均摊修正,随机算法在增量模型中达到最优均摊修正。
2026-08-31 cs.DS
Efficient and Stable Fully Dynamic Facility Location
我们考虑经典的设施位置问题,在完全动态的数据流中,元素可以插入和删除。在这个问题中,人们感兴趣的是在整个数据流中保持稳定和高质量的解决方案,同时每次更新(插入或删除)只使用很少的时间。我们研究的问题,并提供了第一个算法,在同一时间保持一个恒定的近似值,并招致每次更新的多对数摊销追索权。我们补充我们的理论结果与实验分析表明,我们的方法的实际效率。
2022-10-25 cs.DS
Consistent $k$-Median: Simpler, Better and Robust
University at Buffalo(纽约州立大学布法罗分校);Microsoft Research(微软研究院)
在本文中,我们介绍和研究在线一致的$k$ -聚类离群值问题,推广的非离群值版本的问题研究[Lattanzi-Vassilvitskii,ICML 17]。我们发现,一个简单的本地搜索为基础的在线算法可以给一个双准则常数近似的问题与$O(k^2 \log^2 (nD))$交换中位数(追索权)的总,其中$D$是直径的度量。当被限制到没有离群值的问题时,我们的算法是简单的,确定性的,并提供更好的近似比和追索权,与[Lattanzi-Vassilvitskii,ICML 17]相比。
2020-08-13 cs.DS cs.LG
Dynamic Structural Clustering Unleashed: Flexible Similarities, Versatile Updates and for All Parameters
本文提出动态图结构聚类算法VD-STAR,在无更新模式假设下将每次更新时间界从期望O(log²n)改进为期望均摊O(logn),并在九个真实数据集上实现最高9315倍的更新时间加速。
2024-11-21 cs.DS
Dynamic Structural Clustering on Graphs
结构聚类($DynClu$)是最流行的图聚类范例之一。在本文中,我们认为$StrClu$下两个常见的适应相似性,即Jaccard相似性和余弦相似性的动态图,$G = \langle V, E\rangle$,受到边缘插入和删除(更新)。目标是维护某些更新信息,以便在收到请求时,可以在$O(|V| + |E|)$时间内检索到~ $G$上的$StrClu$群集结果。国家的最先进的最坏情况下的成本是$O(|V|)$每次更新,我们提高了这个更新的时间约束显着的$ρ$近似的概念。具体来说,对于指定的故障概率$δ^*$和每个$M$更新序列(不需要事先知道$M$的值),我们的算法$DynELM$在线性空间中的任何时候都可以实现每次更新的$O(\log^2 |V| + \log |V| \cdot \log \frac{M}{δ^*})$摊销成本。此外,$DynELM$在\emph{each update}之后的任何时候都以至少$1 - δ^*$的概率提供对聚类质量的可证明的“三明治”保证。我们进一步发展$DynELM$到我们的最终算法,$DynStrClu$,它也支持集群组查询。给定$Q\subseteq V$,这将$Q$和每个$StrClu$集群的非空交集放入不同的组中。$DynStrClu$不仅实现了$DynELM$的所有保证,而且在$O(|Q|\cdot \log |V|)$时间内运行cl…
2021-08-26 cs.DS
Chasing Positive Bodies
本文研究 $\ell_1$ 范数下追逐正体问题,提出基于迭代信息投影的 $O(\log d)$-竞争无记忆算法,突破 $\sqrt{n}$ 下界,并首次为集合覆盖等动态问题给出具有竞争 recourse 的完全动态算法。
2024-05-06 cs.DS
Dynamic Algorithms for Packing-Covering LPs via Multiplicative Weight Updates
在动态线性规划(LP)问题中,我们给出了一个正在更新的LP,我们需要保持一个近似最优解。最近,显著的注意力(例如,[Gupta et al. STOC'17; Arar et al. ICALP'18,Wajc STOC'20])一直致力于研究动态填充和覆盖LP的特殊情况,例如动态分数匹配和集合覆盖问题。但到目前为止,还没有一个非平凡的动态算法来求解一般的填充和覆盖问题。在本文中,我们解决了动态包装和覆盖LP的复杂性,更新时间的多对数因子。更确切地说,在部分动态设置(更新可以只放松或只限制可行域),我们给出了近最优的确定性$ε$ -近似算法与多对数摊销更新时间。然后,我们表明,部分动态更新和摊销的更新时间是必要的;没有任何这些条件,平凡的算法,重新从头开始每次更新后的解决方案基本上是最好的可能,假设SETH。为了得到我们的结果,我们开始了系统的研究乘法权重更新(MWU)方法在动态设置。作为我们的技术的副产品,我们还获得了第一个在线的$(1+ε)$竞争算法的覆盖和包装LP与多对数资源,和第一个流算法的覆盖和包装LP与线性空间和多对数通过。
2022-07-15 cs.DS
The Cost of Consistency: Submodular Maximization with Constant Recourse
Google Research(谷歌研究院);Sapienza University of Rome(罗马第一大学);École Polytechnique Fédérale de Lausanne(洛桑联邦理工学院)
本文研究在线子模最大化中常数追索权对近似比的影响,给出一般单调函数 2/3、覆盖函数 3/4 的紧信息论界,并用 0.51 近似的多项式时间随机算法证明确定性与随机算法的分离。
2024-12-03 cs.DS cs.LG stat.ML
Fully Dynamic $k$-Clustering in $\tilde O(k)$ Update Time
提出一种针对度量空间 $k$-median 和 $k$-means 问题的 $O(1)$-近似完全动态算法,摊销更新时间为 $\tilde O(k)$,并通过实验对比和下界证明其理论最优性。
2023-10-26 cs.DS
Optimal Fully Dynamic $k$-Centers Clustering
我们提出了第一个算法完全动态$k$中心聚类在任意度量空间,保持最佳的$2+ε$近似在$O(k \cdot \operatorname{polylog}(n,Δ))$摊销更新时间。这里,$n$是任何时候活动点数量的上限,$Δ$是数据的纵横比。以前,最著名的摊销更新时间是$O(k^2\cdot \operatorname{polylog}(n,Δ))$,这是由于Chan、Gourqin和Sozio。我们证明,我们的算法的运行时间是最佳的$\operatorname{polylog}(n,Δ)$因素,即使是插入只流,这关闭了完全动态的$k$中心聚类的复杂性。特别是,我们证明了任何算法的$k$ -聚类任务在任意度量空间,包括$k$ -手段,$k$ -中位数,$k$ -中心,必须至少$Ω(n k)$距离查询,以实现任何非平凡的近似因子。尽管任意度量的下限,我们证明了$k$中的更新时间次线性是可能的度量空间,允许局部敏感的哈希函数(LSH)。也就是说,我们展示了一个黑盒变换,它需要一个度量空间的局部敏感的哈希家庭,并产生一个更快的全动态$k$中心算法,该空间。特别是,对于一个大类的度量,包括欧几里德空间,$\ell_p$空间,汉明度量,和Jaccard度量,对于任何$c > 1$,我们的结果产生一个$c(4+ε)$近似$k$ -中心的解决方案,在$O(n^{1/c} \cdot \operat…
2021-12-13 cs.DS
Dynamic clustering to minimize the sum of radii
在本文中,我们研究的问题,开放的中心集群的一组客户端在度量空间,以最小化的中心和集群半径的成本之和,在一个动态的环境中,客户端到达和离开,解决方案必须有效地更新,同时保持竞争力,相对于当前的最优解。我们称之为动态半径和聚类问题。我们提出了一个数据结构,保持一个解决方案,其成本是在一个恒定的因素内的最佳解决方案的成本在度量空间有界的双倍维数和最坏情况下的更新时间是对数的参数的问题。
2017-07-09 cs.DS
Online Correlation Clustering with Metric Weights
Department of EECS, UC Berkeley(加州大学伯克利分校电气工程和计算机科学系);Carnegie Mellon University(卡内基梅隆大学);Department of Computer Science, Vassar College(瓦萨学院计算机科学系)
本文针对全在线模型中带度量权重的关联聚类,提出首个常数竞争的确定性在线算法,证明边权重的度量一致性可克服标准在线关联聚类的下界难题。
2026-08-26 cs.CC cs.DS
A Generalized Matching Reconfiguration Problem
{ \em重新配置问题}的目标是计算问题的两个可行解之间的{ \em逐步变换},使得所有中间解也是可行的。在Ito等人的开创性工作中提出的{ \em匹配重配置问题}(MRP)中,从2008年开始,我们给出了一个图$G$和两个匹配$M$和$M'$,并且我们被问到在$G$中是否存在一个从$M$开始到$M'$结束的匹配序列,每个匹配序列都是通过在$G$中添加或删除单个边而从前一个匹配序列产生的,而从来没有经历过大小为$< \min\{|M|,|M'|\}-1$的匹配。伊藤等人给出了该问题的多项式时间算法。在本文中,我们介绍了一个自然推广的MRP,取决于一个整数参数$Δ\ge 1$:在这里,我们被允许使$Δ$变化到当前的解决方案,而不是1在每一步的{transformation procedure}。如果$Δ$足够大,则总是存在将$M$转换为$M'$的有效匹配序列,并且自然地,我们希望最小化$Δ$。首先,我们设计了一个最佳的转换过程,未加权匹配与$Δ= 3$,然后将其扩展到加权匹配,以实现渐近最佳的保证。这些过程的运行时间是线性的。我们进一步证明了这个广义问题的适用性,动态图匹配。在该区域中,每个更新步骤对维护的匹配的改变的数量(\emph{recourse bound})是重要的质量度量。然而,几乎所有已知的动态匹配算法的\emph{worst-case}追索界限都非常大,比相应的更新时…
2020-05-05 cs.DS
DynHAC: Fully Dynamic Approximate Hierarchical Agglomerative Clustering
针对动态场景下平均链接层次凝聚聚类的维护难题,提出首个可维护1+ε近似解的DynHAC算法,在真实图数据上更新速度最高提升423倍,NMI分数较现有最优动态算法最高高0.21。
2025-01-13 cs.DS
SPARSE-PIVOT: Dynamic correlation clustering for node insertions
本文针对节点逐个插入的动态相关性聚类问题,提出SPARSE-PIVOT算法,实现$O_ε(\log^{O(1)}(n))$摊还更新时间和$20+\varepsilon$近似比,并在实验中优于现有算法。
2025-07-02 cs.DS
Fully Dynamic k-Means Coreset in Near-Optimal Update Time
本文针对全动态k-median和k-means聚类问题,提出近最优更新时间的核心集维护算法,在欧氏空间中更新时间达$\tilde O(d)$,并支持常数因子或$O(polylog~k)$近似的低查询时间聚类计算。
2024-06-28 cs.DS
Correlation Clustering Beyond the Pivot Algorithm
本文研究动态环境下的相关聚类问题,提出Modified Pivot算法,通过局部改进Pivot算法的输出,打破了完全动态环境下3-近似的壁垒,且每次更新仅需多对数时间。
2025-07-13 cs.DS
Optimal Fully Dynamic $k$-Center Clustering for Adaptive and Oblivious Adversaries
在完全动态聚类问题中,当通过插入和删除单个点来修改度量空间中给定数据集的聚类时,必须保持该聚类。在本文中,我们解决了全动态$k$中心聚类的复杂性对自适应和不经意的对手。针对不经意的对手,我们提出了第一个算法,完全动态$k$ -中心在任意度量空间,保持最佳的$(2+ε)$ -近似在$O(k \cdot \mathrm{polylog}(n,Δ))$摊销更新时间。这里,$n$是任何时候活动点数量的上限,$Δ$是度量空间的纵横比。以前,最著名的摊销更新时间是$O(k^2\cdot \mathrm{polylog}(n,Δ))$,是由于Chan,Gourqin和Sozio(2018)。此外,我们证明了我们的运行时是最佳的$\mathrm{polylog}(n,Δ)$因素。事实上,我们证明,即使是离线算法的$k$ -聚类任务在任意度量空间,包括$k$ -中位数,$k$ -手段,和$k$ -中心,必须至少$Ω(n k)$距离查询,以实现任何非平凡的近似因子。这意味着$Ω(k)$的下限,即使对于仅插入设置也成立。我们还显示了确定性的下限和上限的自适应对手,证明了更新时间次线性的$k$是可能的,对不经意的对手的度量空间,承认局部敏感的哈希函数(LSH),并给出了第一个完全动态的$O(1)$近似算法密切相关的$k$ -半径和$k$ -直径和问题。
2023-03-21 cs.DS
Fully Dynamic Adversarially Robust Correlation Clustering in Polylogarithmic Update Time
Rice University(里士满大学);Google Research(谷歌研究);UT Health(UT健康);Johns Hopkins University(约翰霍普金斯大学);Rutgers University(罗格斯大学);Indian Institute of Technology Madras(印度理工学院马德拉斯分校);University of Waterloo(滑铁卢大学);Texas A&M University(德克萨斯A&M大学)
本文提出了一种在对抗鲁棒环境下实现O(1)近似和多项式对数更新时间的动态相关聚类算法。
2026-02-07 cs.DS cs.LG
Dynamic Correlation Clustering in Sublinear Update Time
Google Research(谷歌研究院);Columbia University(哥伦比亚大学)
针对动态节点流中的相关聚类,本文提出以 O(polylog n) 摊还更新时间维持 O(1)-近似的算法,改进了此前节点流中的 O(D) 更新时间,并用真实数据实验验证。
2024-06-13 cs.DS cs.LG
Dynamic k-center clustering with lifetimes
University of Padova(帕多瓦大学);Max Planck Institute of Biochemistry(马克斯·普朗克生物化学研究所)
本文提出一种新的动态k中心聚类模型,允许任意点的到达和删除,但删除时间在点到达时已知。设计了两种近似算法,分别在平均更新时间和内存使用上达到线性,或在最坏情况下达到亚线性内存使用。
2026-10-22 cs.DS
Fully Dynamic k-Center Clustering in Doubling Metrics
聚类问题是无监督学习中最基本的问题之一,有着广泛的应用。然而,经典的聚类算法假设数据是静态的,因此无法捕获许多数据不断变化和发展的现实世界的应用程序。在此驱动下,我们研究了度量$k$ -中心聚类问题的全动态设置,其目标是有效地保持聚类,同时支持插入和删除点的混合序列。该模型还支持以下形式的查询:(1)报告给定点是否为中心或(2)确定点被分配到的聚类。针对$k$ -中心聚类问题,提出了一种确定性动态算法,该算法可证明在多对数更新和查询时间内实现了$(2+ε)$ -近似,如果底层度量具有有界的双倍维数,其长宽比由多项式限定,并且$ε$是常数.我们的算法的一个重要特点是,更新和查询时间是独立的$k$。我们通过大量的实验研究证实了这一功能的实际相关性,实验结果表明,对于理论建议的$k$和$ε$的值,我们的算法构造在解决方案质量和运行时间方面优于最先进的算法。
2020-02-10 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
On fully dynamic constant-factor approximation algorithms for clustering problems
聚类是计算机科学中的一个重要课题,在许多领域都有应用。我们研究了完全动态的设置,我们要保持良好的集群有效地输入点(从度量空间)时,可以插入和删除。许多聚类问题是$\mathsf{APX}$ -困难的,但承认多项式时间$O(1)$ -近似算法.因此,这是一个自然的问题,我们是否可以保持$O(1)$ -近似的解决方案,他们在次多项式更新时间,对自适应和遗忘的对手。只有少数的结果是已知的,给这个问题的部分答案。存在$k$ -中心、$k$ -均值和$k$ -中值的动态算法,其在预期的$\tilde{O}(k^{2})$更新时间内保持恒定因子近似以对抗不经意的对手。然而,对于这些问题,有没有已知的算法的更新时间是次多项式在$k$,并对自适应对手甚至没有(非平凡)的动态算法已知的。在本文中,我们完成了所有这些聚类问题的上述问题的图片。1.我们表明,没有完全动态的$O(1)$ -近似算法的任何经典的聚类问题,上述更新时间在$n^{o(1)}h(k)$对自适应对手,为任意函数$h$。2.我们给出了一个下界的$Ω(k)$的更新时间为上述每个问题,即使对一个不经意的对手。3.我们给出了第一个$O(1)$ -近似全动态算法$k$-半径和$k$ -直径和预期更新时间的$\tilde{O}(k^{O(1)})$对一个不经意的对手。4.最后,对于$k$ -中心,我们提出了一个完全动态的$(6+ε)$ -近似算…
2021-12-14 cs.CG 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
Fast Hierarchical Clustering and Other Applications of Dynamic Closest Pairs
我们开发的数据结构的动态最接近的一对问题与任意的距离函数,不一定来自任何几何结构的对象。基于作者以前使用的欧几里得最接近对的技术,我们展示了如何从n个对象集中插入和删除对象,保持最接近的对,每次更新的时间为O(n log^2 n),空间为O(n)。对于二次空间,我们可以使用类似四叉树的结构来实现最佳时间限制,每次更新的时间复杂度为O(n)。我们应用这些数据结构的层次聚类,贪婪匹配,TSP算法,并讨论其他潜在的应用在机器学习,Groebner基地,分区和布局问题的局部改进算法。实验表明,我们的新方法在实践中比以前使用的算法更快。
1999-12-22 cs.DS
Deterministic Dynamic Edge Colouring
Technical University of Denmark(丹麦技术大学)
本文提出首个确定性动态边着色算法,在不使用随机化的情况下用 $(1+\varepsilon)Δ$ 种颜色维护动态图,突破 $2Δ-1$ 的贪心阈值,并实现次多项式更新时间。
2025-11-07 cs.DS
Static to Dynamic Correlation Clustering
New York University(纽约大学);Google Research(谷歌研究);University of Michigan(密歇根大学);Nanjing University(南京大学);University of Copenhagen(哥本哈根大学);Université Grenoble Alpes(格勒诺布尔阿尔卑斯大学);EPFL(洛桑联邦理工学院)
本文提出将静态相关性聚类算法转化为动态算法的框架,实现对适应性对手的鲁棒性,改进了现有算法的近似因子和更新时间。
2026-05-11 cs.DS
Efficient Centroid-Linkage Clustering
本文提出一种高效质心连接层次聚类算法,结合自适应全动态最近邻搜索,在保持聚类质量的同时实现高达36倍加速。
2024-06-07 cs.DS
Engineering Algorithms for Dynamic Greedy Set Cover
Tel Aviv University(特拉维夫大学)
本文通过实验证明四种贪心动态算法在实际应用中的性能,分析了参数β对质量与效率的平衡影响。
2026-04-03 cs.DS
Sliding Window Algorithms for k-Clustering Problems
计算的滑动窗口模型捕获数据连续到达的场景,但只应使用最新的$w$元素进行分析。我们的目标是设计算法,有效地更新解决方案,而不是从头开始重新计算。在这项工作中,我们专注于$k$ -聚类问题,如$k$ -手段和$k$ -中位数。在这种情况下,我们提供了简单实用的算法,提供更强的性能保证比以前的结果。从经验上讲,我们表明,我们的方法只存储了一小部分数据,速度快了几个数量级,并且找到的解决方案的成本仅略高于访问完整数据集的算法返回的成本。
2020-10-23 cs.DS
Fast, Space-Optimal Streaming Algorithms for Clustering and Subspace Embeddings
本文提出流式聚类和子空间嵌入算法,实现空间最优和时间最优,与离线设置效率相当。
2025-04-22 cs.DS
Dynamic Hierarchical $j$-Tree Decomposition and Its Applications
Faculty of Computer Science, University of Vienna, Austria(维也纳大学计算机学院);Institute of Science and Technology Austria (ISTA), Klosterneuburg, Austria(奥地利科学和技术研究所);Faculty of Computer Science, UniVie Doctoral School Computer Science DoCS, University of Vienna, Austria(维也纳大学计算机博士学校)
本文提出了一种动态分层$j$-树分解框架,用于解决具有边插入删除的图中割优化问题,实现了多项对数近似因子和子线性时间更新。
2026-01-14 cs.DS
Dynamic Low-Stretch Trees via Dynamic Low-Diameter Decompositions
在非树边缘上具有低平均拉伸的生成树,如Alon等人[SICOMP 1995]所介绍的,是一个自然的图论对象。近年来,它们在对称对角占优(SDD)线性系统的求解器中得到了重要的应用。在这项工作中,我们提供了第一个动态算法,用于维护这样的树下的边插入和删除的输入图。我们的算法具有更新时间$ n^{1/2 + o(1)} $,并且维护的树的平均拉伸是$ n^{o(1)} $,其匹配Alon等人的开创性结果中的拉伸。类似于Alon等人,我们的动态低伸展树算法采用低直径分解(LDD)的动态层次结构。作为主要构建模块,我们使用动态LDD,该动态LDD是通过将Miller等人的随机移位聚类[SPAA 2013]适应动态设置而获得的。我们的方法中的主要技术挑战是控制LDD层次结构中更新的传播:层次结构中一个级别的每次更新都可能导致层次结构中下一个级别的多次插入和删除。我们通过先进的摊销方法实现这一目标。我们相信,动态随机移位聚类可能是有用的独立的应用。这些应用之一是动态规划问题。通过将随机移位聚类与Elkin和Neiman的最新结构相结合[SODA 2017]。我们得到了一个完全动态的算法,以保持一个扩展$ 2k - 1 $和大小$ O (n^{1 + 1/k} \log{n}) $与摊销更新时间$ O (k \log^2 n) $为任何整数$ 2 \leq k \leq \log n $。与该方…
2019-06-24 cs.DS
Communication-Optimal Distributed Dynamic Graph Clustering
我们考虑的问题聚类图节点的大规模动态图,如引文网络,图像和Web网络,当图更新,如节点/边插入/删除分布式观察。我们提出了两个行之有效的通信模型,即消息传递和黑板模型的通信效率的算法。给定一个图与$n$节点,观察到在$s$远程站点随着时间$[1,t]$,这两个算法的通信成本$\tilde{O}(ns)$和$\tilde{O}(n+s)$($\tilde{O}$隐藏了一个多对数因子),几乎匹配他们的下界,$Ω(ns)$和$Ω(n+s)$,分别在消息传递和黑板模型。更重要的是,我们证明,在每个时间点在$[1,t]$我们的算法产生的聚类质量几乎一样好,集中所有的更新到那个时候,然后应用一个标准的集中式聚类算法。我们在合成数据集和真实数据集上进行了广泛的实验,这些实验证实了我们的方法在基线算法上的通信效率,同时实现了可比的聚类结果。
2018-11-14 cs.CC cs.DS
Dynamic Algorithm for Explainable k-medians Clustering under lp Norm
Northwestern(西北大学);TTIC(泰特研究所)
本文提出了一种动态算法,用于在lp范数下实现可解释的k-均值聚类,改进了现有算法的性能并适用于大规模数据集。
2025-12-01 cs.DS cs.LG
Heavy hitters via cluster-preserving clustering
Aarhus University(奥胡斯大学);Harvard University(哈佛大学);Toyota Technological Institute at Chicago(芝加哥丰田技术研究院);University of Copenhagen(哥本哈根大学)
在旋转栅门$\ell_p$ $\varepsilon$ -重打击者中,一个人保持一个高维$x\in\mathbb{R}^n$服从$\texttt{update}(i,Δ)$导致$x_i\leftarrow x_i + Δ$,其中$i\in[n]$,$Δ\in\mathbb{R}$。在接收到查询时,目标是报告包含具有$|x_i| \ge \varepsilon \|x_{\overline{1/\varepsilon^p}}\|_p$的每个“重量级”$i\in[n]$的小列表$L\subset[n]$、$|L| = O(1/\varepsilon^p)$,其中$x_{\overline{k}}$表示通过将$x$的最大$k$条目在幅度上归零而获得的向量。对于任何$p\in(0,2]$,CountSketch使用具有$O(\log n)$更新时间的空间的$O(\varepsilon^{-p}\log n)$字来解决$\ell_p$重命中器,$O(n\log n)$查询时间用于输出$L$,并且其在任何查询之后的输出以高概率(whp)$1 - 1/poly(n)$是正确的。不幸的是,查询时间非常慢。为了弥补这一点,工作[CM 05]提出了严格的旋转栅门模型中的$p=1$,一个whp正确的算法实现次优空间$O(\varepsilon^{-1}\log^2 n)$,更差的更新时间$O(\log^…
2016-04-05 cs.DS cs.LG
Dynamic DBSCAN with Euler Tour Sequences
University of Illinois Urbana-Champaign(伊利诺伊大学厄巴纳-香槟分校);University of St Andrews(圣安德鲁斯大学)
本文提出基于欧拉游程树的动态 DBSCAN 算法,以 O(d log³n + log⁴n) 复杂度支持在线插入删除,在保持聚类质量的同时显著提升动态数据集实时聚类速度。
2025-03-11 cs.DS cs.LG
Parallel Batch-Dynamic Minimum Spanning Forest and the Efficiency of Dynamic Agglomerative Graph Clustering
层次凝聚聚类(HAC)是一种流行的聚类算法,但尽管它的重要性,没有一个动态的HAC算法有很好的理论保证存在。本文研究了边权图上的动态HAC。由于单链接HAC减少到计算最小生成森林(MSF),我们的第一个结果是一个并行批动态算法,用于维护MSF。在一批$k$边插入或删除时,我们的批动态MSF算法以高概率运行在$O(k\log^6 n)$预期的摊销工作和$O(\log^4 n)$跨度中。这是第一个完全动态的MSF算法处理批量的边缘更新与polylogarithmic工作每次更新和polylogarithmic跨度。使用我们的MSF算法,我们得到了一个并行批动态算法,可以回答查询单链接图HAC集群。我们的第二个结果是,动态图HAC是显着更难为其他常见的链接功能。例如,假设强指数时间假设,动态图HAC要求在具有$n$顶点的图上的每次更新或查询的$Ω(n^{1-o(1)})$工作用于完全链接、加权平均链接和平均链接。对于完全链接和加权平均链接,即使是增量或减量算法,即使我们允许$\operatorname{poly}(n)$ -近似的界限仍然成立。对于平均连接,对于增量和减量算法,界限减弱为$Ω(n^{1/2 - o(1)})$,并且当允许$n^{o(1)}$ -近似时,界限仍然保持。
2022-07-12 cs.CC cs.DC cs.DS
Incremental (k, z)-Clustering on Graphs
针对图上增量式 (k, z)-聚类问题,提出一种随机化增量算法,在边插入的图中以高概率维持常数因子近似,总更新时间为亚二次。
2026-07-03 cs.DS cs.LG
Modern hierarchical, agglomerative clustering algorithms
本文提出了算法的层次,凝聚聚类,最有效地执行在现代标准软件中给出的通用设置。要求是:(1)输入数据由数据点之间的成对不相似性给出,但也讨论了矢量数据的扩展(2)输出是“逐步树状图”,这是一种由当前标准软件中的所有实现共享的数据结构。我们提出的算法(旧的和新的),在这种设置有效地执行聚类,无论是在一个渐进的最坏情况下的分析,并从实用的角度来看。本文的主要贡献是:(1)提出了一种新的距离更新算法,该算法适用于任何距离更新方案,性能明显优于现有的算法。(2)我们证明了两个算法的正确性Rohlf和Murtagh,这是必要的,在每种情况下,由于不同的原因。(3)我们给出了有根据的建议,目前最好的算法的各种凝聚聚类方案。
2011-09-12 cs.DS stat.ML
Agglomerative Clustering of Growing Squares
我们研究了地理可视化中交互式字形的凝聚聚类问题。考虑交互式地图上的一组不相交的方形字形。当用户缩小时,字形相对于地图的大小可能会以不同的速度增长。当两个字形相交时,我们希望用一个新的符号来替换它们,该符号捕获相交字形的信息。我们提出了一个完全动态的动力学数据结构,保持一组$n$不相交的增长广场。我们的数据结构使用$O(n (\log n \log\log n)^2)$空间,支持在最坏情况下的$O(\log^3 n)$时间查询,并在$O(\log^7 n)$摊销时间更新。这导致了一个$O(nα(n)\log^7 n)$时间算法来解决凝聚聚类问题。这是对当前最佳$O(n^2)$时间算法的显著改进。
2018-05-14 cs.CG cs.DS
A rounding and clustering-based exact algorithm for the p-center problem
针对p中心问题,本文提出基于客户聚类和迭代距离舍入的可扩展精确算法,通过聚类迭代求解客户子集、舍入减少距离数量,在含190万客户和设施的396个实例上测试,p>5时优于两种最先进精确方法。
2024-11-29 cs.DS math.OC