[論文レビュー] Net and Prune: A Linear Time Algorithm for Euclidean Distance Problems

Sariel Har-Peled, Banjamin Raichel|arXiv (Cornell University)|Sep 25, 2014

Computational Geometry and Mesh Generation参考文献 13被引用数 5

ひとこと要約

本稿では、k-中心クラスタリングや最も遠い近傍探索など、広範なユークリッド距離問題に対して期待線形時間の定数近似解を得るための新しい「ネットとプルーニング」フレームワークを提案する。階層的ネットと確率的プルーニングを組み合わせることで、高い確率で線形時間性能を達成する近似アルゴリズムを実現し、従来の複雑な手法を大幅に単純化する。

ABSTRACT

We provide a general framework for getting expected linear time constant factor approximations (and in many cases FPTASs) to several well-known problems in Computational Geometry, such as $k$-center clustering and farthest nearest neighbor. The new approach is robust to variations in the input problem, and yet it is simple, elegant, and practical. In particular, many of these well-studied problems, which fit easily into our framework, either previously had no linear time approximation algorithm, or required rather involved algorithms and analysis. A short list of the problems we consider includes farthest nearest neighbor, $k$-center clustering, smallest disk enclosing $k$ points, Hausdorff distance, $k$th largest distance, $k$th smallest $m$-nearest neighbor distance, $k$th heaviest edge in the MST, and other spanning-forest type problems, problems involving upward closed set systems, and more. Finally, we show how to extend our framework such that the linear running time bound holds with high probability.

研究の動機と目的

• 期待線形時間で動作する一般的で単純かつ実用的な幾何最適化問題のフレームワークを構築すること。
• 複雑なパrametric search手法に代わる確率的「プルーニングと探索」アプローチを導入し、距離問題において線形時間性能を達成すること。
• 特に初期のアルゴリズム段階においても、高い確率での実行時間の境界を提供するようにフレームワークを拡張すること。
• k-中心クラスタリング、最小包含円、k番目の近傍距離など、多様な問題への適用可能性を示すこと。
• 特に低次元および平面的設定において、距離に基づく最適化問題の線形時間解法の限界を探ること。

提案手法

• 階層的ネットを用いて重要な距離値を特定し、再帰的にプルーニング手順を誘導する。
• 各反復で確率的サンプリングを適用し、入力点の定数割合をプルーニングすることで、問題サイズを縮小しつつ近似品質を維持する。
• 候補解を検証し、探索を暗黙的に誘導するため、「決定的」または「高確率」のデイシダーを活用する。
• 高確率の境界を達成するため、O(log n)回の成功した反復後、部分問題サイズがO(n/log n)未満に低下することが保証され、残りの時間は高確率でO(n)となる。
• グリッドベースの計算を統合し、近似解を線形時間で正確な解に精錬する。これにより、効率性を損なわず精度を向上させる。
• ネット構築法とプルーニング論理を適応させることで、上向き閉集合系やその他の組合せ的構造を含む問題に対してもフレームワークを拡張する。

実験結果

リサーチクエスチョン

• RQ1 一貫したフレームワークが、従来複雑なアルゴリズムを必要としていた複数の幾何最適化問題に対して、期待線形時間の定数近似解を得られるか？
• RQ2 確率的プルーニングとネットベースのサンプリングが、距離問題におけるパrametric searchに代わって線形時間性能を達成できるか？
• RQ3 線形時間境界が期待値ではなく、高確率で保証される条件は何か？
• RQ4 非凸的または組合せ的構造（例えば平面グラフ上のk-中心）を含む問題に対しても、このフレームワークを適応可能か？
• RQ5 小さな集合Xから大きな集合Pへのすべての近傍距離の近似を、線形時間で解けるか？

主な発見

• Net and Pruneフレームワークは、k-中心クラスタリング、最も遠い近傍探索、およびその他の距離に基づく問題に対して、期待時間O(n)で定数近似解を達成する。
• 任意のφ > 3/2に対して、φ-NDPの最適値に対するφ-近似を、高確率でO(n)時間で計算可能である。
• (1+ε)-近似の(1+ε)-NDPに対しては、高確率でO(n/ε^c)時間で実行可能であり、デイシダーの計算量と一致する。
• 高確率での実行時間境界は、部分問題サイズがO(n/log n)未満に低下するまで保持され、その後の残りの時間は高確率でO(n)となる。
• フレームワークにより、グリッド精錬による近似後、k番目の最小距離またはk番目の重みの大きいMST辺を線形時間で正確に計算可能である。
• 本手法により、平面グラフ上の近似k-中心クラスタリングが近線形時間で解ける可能性が示唆され、新たな研究分野の開拓が期待される。