[논문 리뷰] Approximate Nearest Neighbor for Polygonal Curves Under Fréchet Distance

Siu-Wing Cheng, Haoqiang Huang|arXiv (Cornell University)|2023. 01. 01.

Advanced Numerical Analysis Techniques인용 수 1

한 줄 요약

이 논문은 프리셰트 거리 하에서 다각형 곡선에 대한 근사 최근접 이웃(ANN) 데이터 구조를 제안하며, 차원 또는 곡선 복잡도에 따라 공간 복잡도가 지수적으로 증가하지 않도록 하면서도 부분선형 쿼리 시간을 달성한다. 새로운 계층적 격자와 간격 트리 색인 기반의 근사 세그먼트 쿼리 기법을 도입하여, (1+ε)-ANN 및 (3+ε)-ANN를 각각 Õ(k(mn)^{0.5+ε}/ε^O(d) + k(d/ε)^O(dk)) 및 Õ(k(mn)^{0.5+ε}/ε^O(d))의 쿼리 시간으로 제공하며, 이는 d차원 공간에서 성립한다.

ABSTRACT

We propose $κ$-approximate nearest neighbor (ANN) data structures for $n$ polygonal curves under the Fréchet distance in $\mathbb{R}^d$, where $κ\in \{1+\varepsilon,3+\varepsilon\}$ and $d \geq 2$. We assume that every input curve has at most $m$ vertices, every query curve has at most $k$ vertices, $k \ll m$, and $k$ is given for preprocessing. The query times are $ ilde{O}(k(mn)^{0.5+\varepsilon}/\varepsilon^d+ k(d/\varepsilon)^{O(dk)})$ for $(1+\varepsilon)$-ANN and $ ilde{O}(k(mn)^{0.5+\varepsilon}/\varepsilon^d)$ for $(3+\varepsilon)$-ANN. The space and expected preprocessing time are $ ilde{O}(k(mnd^d/\varepsilon^d)^{O(k+1/\varepsilon^2)})$ in both cases. In two and three dimensions, we improve the query times to $O(1/\varepsilon)^{O(k)} \cdot ilde{O}(k)$ for $(1+\varepsilon)$-ANN and $ ilde{O}(k)$ for $(3+\varepsilon)$-ANN. The space and expected preprocessing time improve to $O(mn/\varepsilon)^{O(k)} \cdot ilde{O}(k)$ in both cases. For ease of presentation, we treat factors in our bounds that depend purely on $d$ as~$O(1)$. The hidden polylog factors in the big-$ ilde{O}$ notation have powers dependent on $d$.

연구 동기 및 목표

• 프리셰트 거리 하에서 다각형 곡선에 대한 근사 최근접 이웃(ANN) 문제를 해결하기 위한 효율적인 데이터 구조를 설계하는 것.
• 차원 d 또는 곡선 복잡도 m, n에 따라 공간 복잡도가 지수적으로 증가하지 않도록 하면서 부분선형 쿼리 시간을 달성하는 것.
• 쿼리 곡선의 정점 수 k가 입력 곡선의 정점 수 m보다 크게 적은 비대칭 케이스를 지원하는 것 (k ≪ m).
• (1+ε)-ANN 및 (3+ε)-ANN에 대해 이론적 보장을 제공하며, 쿼리 시간 및 사전처리 시간의 개선된 경계를 확보하는 것.

제안 방법

• 다양한 해상도를 가진 셀들로 이루어진 공간의 계층적 격자 분할을 통해 다각형 곡선을 색인화하는 방법.
• 기본 세그먼트 위에 간격 트리와 딕셔너리를 사용하여 곡선 세그먼트에 대한 빠른 (11εδ)-세그먼트 쿼리 기능을 제공하는 방법.
• 기하학적 근사 및 격자 기반 근접성 테스트를 통해 (κ, δ)-ANN 문제에서 (11εδ)-세그먼트 쿼리 문제로의 환원을 적용하는 방법.
• Danp, Danl, Tℓ, Tξ를 결합한 새로운 데이터 구조를 도입하여 세그먼트 쿼리를 Õ((mn)^{0.5+ε}/ε^d) 시간 내에 해결하는 방법.
• 실패 확률을 제어하고 근사화 조건 하에서 정확성을 보장하기 위해 확률적 및 결정적 기법을 활용하는 방법.
• 쿼리 세그먼트가 관련 격자 셀의 앞, 안, 또는 뒤에 위치하는 경우를 모두 처리할 수 있는 재귀적 쿼리 전략을 적용하는 방법.

실험 결과

연구 질문

• RQ1 차원 또는 곡선 복잡도에 따라 공간 복잡도가 지수적으로 증가하지 않도록 하면서도, 프리셰트 거리 하에서 다각형 곡선에 대한 (1+ε)-ANN의 부분선형 쿼리 시간을 달성할 수 있는가?
• RQ2 (3+ε)-ANN를 부분선형 쿼리 시간으로 지원하기 위해 필요한 최소 공간 및 사전처리 시간은 무엇인가?
• RQ3 (κ, δ)-ANN 문제로의 환원을 가능하게 하기 위해 (11εδ)-세그먼트 쿼리를 효율적으로 해결할 수 있는 방법은 무엇인가?
• RQ4 쿼리 시간에서 d와 k에 대한 지수적 의존성을 유지하면서도 근사 보장을 확보할 수 있도록 줄일 수 있는가?
• RQ5 비대칭 프리셰트 ANN의 경우 공간, 사전처리 시간, 쿼리 시간 간 최적의 트레이드오프는 무엇인가?

주요 결과

• (1+ε)-ANN의 쿼리 시간은 Õ(k(mn)^{0.5+ε}/ε^O(d) + k(d/ε)^O(dk))이며, 공간 및 사전처리 시간은 Õ(k(mndd/ε^d)^O(k+1/ε^2))이다.
• (3+ε)-ANN의 쿼리 시간은 Õ(k(mn)^{0.5+ε}/ε^O(d))이며, 동일한 공간 및 사전처리 시간 경계를 가진다.
• 2차원 및 3차원에서는 쿼리 시간이 (1+ε)-ANN의 경우 Õ(k/ε^O(k))로 향상되고, (3+ε)-ANN의 경우 Õ(k)로 향상된다.
• 2차원/3차원에서는 공간 및 사전처리 시간이 O(mn/ε)^O(k) · Õ(k)로 감소하여 d에 대한 지수적 의존성을 피한다.
• 확률적 (κ, δ)-ANN 솔루션을 사용할 경우, O(f log n)의 실패 확률로 정확성이 보장된다.
• 비대칭 케이스(k ≪ m)를 지원하여 사용자 스케치 기반 쿼리에 적합하다.