[論文レビュー] Finite metric spaces--combinatorics, geometry and algorithms

Nathan Linial|ArXiv.org|Apr 28, 2003

Graph Labeling and Dimension Problems参考文献 22被引用数 28

ひとこと要約

この論文は、組合せ論、幾何学、アルゴリズムの観点から、有限距離空間を検討し、特に $α_1$ や $α_2$ のノルム空間への低歪み埋め込みに注目している。グラフ距離、カット構造、近似アルゴリズムの間の関係を確立し、歪みの上限、次元削減、距離空間におけるラマージュ型性質に関する主要な未解決問題を特定している。

ABSTRACT

Finite metric spaces arise in many different contexts. Enormous bodies of data, scientific, commercial and others can often be viewed as large metric spaces. It turns out that the metric of graphs reveals a lot of interesting information. Metric spaces also come up in many recent advances in the theory of algorithms. Finally, finite submetrics of classical geometric objects such as normed spaces or manifolds reflect many important properties of the underlying structure. In this paper we review some of the recent advances in this area.

研究の動機と目的

• グラフ、データセット、ノルム空間から生じる有限距離空間の幾何的構造を理解すること。
• 組合せ的およびデータ駆動の距離を、$α_1$ や $α_2$ のようなノルム空間への埋め込みによって近似することの分析。
• 低歪みで有限距離空間を埋め込む際のアルゴリズム的および構造的制限の特定。
• 次元削減と次元の呪いが距離空間解析において果たす役割の探求。
• 特に平面的グラフおよび縁長制約付きグラフに関して、埋め込み理論における根本的な未解決問題の定式化と検討。

提案手法

• 歪みを、写像の拡大と収縮の積として定義する定量的指標として用い、距離空間を比較する。
• 次元削減のベンチマークとしてジョンソン＝リンデンストラウスの定理を $α_2$ に適用し、$α_1$ における類似定理の探索を試みる。
• $α_1$ メトリクスをカットコン回 $\mathcal{C}$ と同一視し、$\mathcal{C}$ の近似としての平方-$\ell_2$ コン回 $\mathcal{S}$ を調査する。
• 線形計画法と凸幾何学的手法を用いて、メトリクスコン回の属するか否かの判別および分離オракルを研究する。
• スペクトル的および組合せ的性質（縁長や次数制約を含む）を用いて、グラフ距離の $α_1$ への埋め込みを分析する。
• ラマージュ的推論を用いて、歪みが有界な大きな部分集合を有限距離空間から特定する。

実験結果

リサーチクエスチョン

• RQ1 すべての $n\times n$ の平方-$\ell_2$ メトリクスが $α_1$ に歪みが最大 $\alpha(n)$ で埋め込めるような最小の歪み $\alpha(n)$ は何か？
• RQ2 すべての平面的グラフ距離が $α_1$ に歪みが $C$ より小さい絶対定数 $C$ が存在するか？
• RQ3 縁長 $g$ で最小次数 3 のグラフ $G$ の歪み $c_1(G)$ が $g \to \infty$ のときも有界に保たれるか？
• RQ4 すべての $n$ 点メトリクスが、$c_2(Y) \leq t$ を満たすサイズが少なくとも $f(n,t)$ の部分集合を含むような最大の関数 $f(n,t)$ は何か？
• RQ5 すべての $n$ 点 $α_1$ メトリクスが $α_1^k$ に歪み $< 1 + \epsilon$ で埋め込めるような最小の $k = k(n,\epsilon)$ は何か？

主な発見

• $r$ 次元ハイパーキューブへの $α_1$ への埋め込みの歪みは $\sqrt{\log n}$ で有界であり、これは最悪ケース例であると予想されている。
• ジョンソン＝リンデンストラウスの定理により、$n$ 点 $α_2$ メトリクスは歪み $< 1 + \epsilon$ で $\u03b1_2^k$ に埋め込めることが保証され、$k = O(\log n / \epsilon^2)$ が達成可能である。
• $α_1$ メトリクスを特徴付けるカットコン回 $\mathcal{C}$ は、平方-$\ell_2$ コン回 $\mathcal{S}$ に含まれるが、$\mathcal{C}$ に属するか否かの判定は NP 困難である。
• $n$ 点 $α_1$ メトリクスに対して、$ε$-歪み埋め込みの次元 $k$ に対する既知の最良上界は $O(n \log n)$ である一方、下界は $\Omega(\log n)$ である。
• $t$ が 1 に近いとき、$n$ 点メトリクスの $c_2(Y) \leq t$ を満たす最大部分集合のサイズは $\Theta(\log n)$ であり、これはラマージュ的挙動における鋭い閾値を示している。
• $n$ 点 $α_1$ メトリクスに対して $c_2(X)$ が $\sqrt{\log n}$ を超える例はまだ知られておらず、これは漸近的最悪ケースである可能性がある。