[論文レビュー] Prioritized Metric Structures and Embedding

Michael Elkin, Arnold Filtser+1 more|arXiv (Cornell University)|Feb 19, 2015

Complexity and Algorithms in Graphs参考文献 25被引用数 7

ひとこと要約

本稿では、事前に定義された順位に基づき、高優先度の頂点に対してスパン、歪み、ラベルサイズ、次元を向上させる、優先順位付きメトリックデータ構造および埋め込みを導入する。これは、頂点の順位が下がるにつれてサービス品質が滑らかに低下する優先順位付き性能を達成するが、古典的な非優先順位付き対応物と同等の最悪ケースの空間およびサイズの上限を維持する。

ABSTRACT

Metric data structures (distance oracles, distance labeling schemes, routing schemes) and low-distortion embeddings provide a powerful algorithmic methodology, which has been successfully applied for approximation algorithms \cite{llr}, online algorithms \cite{BBMN11}, distributed algorithms \cite{KKMPT12} and for computing sparsifiers \cite{ST04}. However, this methodology appears to have a limitation: the worst-case performance inherently depends on the cardinality of the metric, and one could not specify in advance which vertices/points should enjoy a better service (i.e., stretch/distortion, label size/dimension) than that given by the worst-case guarantee. In this paper we alleviate this limitation by devising a suit of {\em prioritized} metric data structures and embeddings. We show that given a priority ranking $(x_1,x_2,\ldots,x_n)$ of the graph vertices (respectively, metric points) one can devise a metric data structure (respectively, embedding) in which the stretch (resp., distortion) incurred by any pair containing a vertex $x_j$ will depend on the rank $j$ of the vertex. We also show that other important parameters, such as the label size and (in some sense) the dimension, may depend only on $j$. In some of our metric data structures (resp., embeddings) we achieve both prioritized stretch (resp., distortion) and label size (resp., dimension) {\em simultaneously}. The worst-case performance of our metric data structures and embeddings is typically asymptotically no worse than of their non-prioritized counterparts.

研究の動機と目的

• 既存のメトリックデータ構造および埋め込みには、性能保証が点の総数にのみ依存し、ユーザーが指定した優先順位には依存しないという制限があることに対処する。
• 事前に定義された頂点／点の優先順位を可能にし、高ランクの頂点がより良いスパン、歪み、ラベルサイズ、または次元を享受できるようにする。
• 高優先度の点に対して複数のパラメータ（例：スパンとラベルサイズ）を同時に最適化するデータ構造および埋め込みを設計する。
• 非優先順位付き構造の最悪ケース効率が低下しないように、漸近的に最悪ケースの効率を維持する。

提案手法

• 事前に頂点の優先順位 $ (x_1, x_2, \ldots, x_n) $ を定義し、$ x_j $ の順位を $ j $ とする。この順位に応じて性能を最適化する構造を設計する。
• 任意の $ x_j $ を含むペアに対して、スパン $ 2\big\lceil t \cdot \frac{\log j}{\log n} \big\rceil - 1 $ を達成する距離オラクルおよびラベル化スキームを構築し、標準の $ 2t - 1 $ の境界を改善する。
• 任意の定数 $ \epsilon > 0 $ に対して、$ O(\log n) $ 次元のユークリッド空間への埋め込みを構築し、優先順位付き歪み $ O(\log j \cdot (\log \log j)^{1/2 + \epsilon}) $ を達成する。
• 高優先度の点が、全体の埋め込み次元が大きくても $ O(\text{poly}(\log j)) $ 個の座標のみを使用する「アクティブ次元」の概念を導入する。
• 集合 $ Q_{ij} $ の確率的サンプリングと非拡大写像 $ \varphi_{ij}(u) = d(u, Q_{ij}) $ を用いて、$ \ell_p $ 空間への収縮を保つ埋め込みを構築する。
• チェルノフの不等式とホルダーの不等式を用いて、埋め込みの収縮の集中を証明し、定数の確率で $ \|\varphi(u) - \varphi(v)\|_p \geq \Omega(\gamma_A(u,v)/\log k) $ が成り立つことを保証する。

実験結果

リサーチクエスチョン

• RQ1 頂点の順位に依存する性能（スパン、ラベルサイズ）を持つメトリックデータ構造を設計することは可能か？ これは、頂点総数にのみ依存する従来の方法とは対照的である。
• RQ2 高優先度の点を含むペアの歪みが、最悪ケースの $ O(\log n) $ より著しく改善された低歪み埋め込みを構築することは可能か？
• RQ3 高優先度の頂点に対して、同時にスパンとラベルサイズ（または歪みと次元）を改善することは可能か？
• RQ4 高優先度の点が僅かなアクティブな座標のみで表現されるような「有効次元」の概念を形式化することは可能か？
• RQ5 これらの改善は、元の非優先順位付き構造の最悪ケース性能を低下させることなく達成可能か？

主な発見

• 本稿では、$ j $ 番目の順位の頂点を含む任意のペアに対して、スパン $ 2\big\lceil t \cdot \frac{\log j}{\log n} \big\rceil - 1 $ を達成する距離オラクルを構築した。空間量は $ O(t \cdot n^{1+1/t}) $ であり、非優先順位付きのトロップ＝ズヴィックオラクルと同一である。
• ラベルサイズ $ O(n^{1/t} \cdot \log^{1-1/t} n) $ の距離ラベル化スキームを達成したが、スパンは $ j $ に依存しており、高優先度の頂点に対して改善されている。
• 任意の定数 $ \epsilon > 0 $ に対して、$ O(\log n) $ 次元のユークリッド空間への埋め込みを構築し、優先順位付き歪み $ O(\log j \cdot (\log \log j)^{1/2 + \epsilon}) $ を達成した。これは最悪ケースの $ O(\log n) $ 歪みを上回る改善である。
• 木の分布への埋め込みを達成し、期待される優先順位付き歪みが $ O(\log j) $ であるのに対し、最悪ケースの期待歪みは $ O(\log n) $ であった。
• 本稿では、高優先度の点が $ O(\text{poly}(\log j)) $ 個の座標のみを使用する「アクティブ次元」の概念を導入したが、全体の埋め込み次元は $ O(\log n) $ である。
• 提案されたすべての構造の最悪ケース性能は、非優先順位付き対応物と漸近的に同等以上であり、空間およびサイズの観点から後方互換性が保たれている。