[논문 리뷰] Fully dynamic hierarchical diameter k-clustering and k-center

Melanie Schmidt, Christian Sohler|arXiv (Cornell University)|2019. 08. 07.

Algorithms and Data Compression참고 문헌 17인용 수 6

한 줄 요약

이 논문은 유클리드 공간에서 계층적 직경 $k$-클러스터링 및 $k$-센터를 위한 완전 동적 데이터 구조를 제안하며, 삽입, 삭제 및 클러스터 대표 요소 조회를 효율적으로 지원한다. 저차원에서는 다항로그 시간 복잡도를 달성하고, 고차원에서는 그리드 기반 계층적 분해와 랜덤 샘플링을 사용하여 근사적으로 최적에 가까운 평균 시간 복잡도를 확보한 $O(d\ell)$-근사치를 제공한다.

ABSTRACT

We develop dynamic data structures for maintaining a hierarchical k-center clustering when the points come from a discrete space $\{1,\ldots,Δ\}^d$. Our first data structure is for the low dimensional setting, i.e., d is a constant, and processes insertions, deletions and cluster representative queries in $\log^{O(1)} (Δn)$ time, where $n$ is the current size of the point set. For the high dimensional case and an integer parameter $\ell > 1$, we provide a randomized data structure that maintains an $O(d \ell)$-approximation. The amortized expected insertion time is $O(d^2 \ell \log n \log Δ)$. The amortized expected deletion time is $O(d^2 n^{1/\ell} \log^2 n \log Δ)$. At any point of time, with probability at least $1-1/n$, the data structure can correctly answer all queries for cluster representatives in $O(d \ell \log n \log Δ)$ time per query.

연구 동기 및 목표

• 유클리드 공간에서 삽입, 삭제 및 클러스터 대표 요소 조회를 효율적으로 지원하는 계층적 $k$-센터 및 직경 $k$-클러스터링을 위한 완전 동적 데이터 구조를 설계하기.
• 기존의 점진적 알고리즘들이 연쇄적인 변화로 인해 실패하는 동적 점 업데이트 상황에서 계층적 클러스터링을 유지하는 데 도전 과제를 해결하기.
• 저차원 및 고차원 환경 모두에서 효율적인 업데이트 시간을 확보하고, 증명 가능한 근사 보장을 달성하기.
• 스트리밍 및 정적 $k$-센터 알고리즘을 그리드 기반 분해와 랜덤 샘플링을 활용해 동적이고 계층적인 환경으로 확장하기.

제안 방법

• 공간 $\{1,\dots,\Delta\}^d$ 에 대해 계층적 격자 분해를 사용하며, 각 수준이 더粗い 격자 해상도에 대응한다.
• 각 수준 $i$ 에서 점들은 크기 $2^i$ 의 격자 셀로 분할되며, 빠른 클러스터 질의를 위해 각 셀에 대해 대표 집합 $I_{i,j}$ 를 유지한다.
• 각 점이 $P_{i,j+1}$ 에 포함될 확률을 $n^{-1/\ell}$ 으로 설정하여 랜덤 샘플링을 사용해 셀당 점의 수를 제한한다. 이는 낮은 기대 업데이트 비용을 보장한다.
• 다양한 수준의 클러스터링을 동적으로 유지하는 데이터 구조를 사용하며, 격자 셀 확인과 삼각 부등식 한계를 통해 필요에 따라 수준 간 포인터를 계산한다.
• 고차원 환경에서는 $\ell$-레벨 계층을 사용하고, 격자 샘플링을 통해 유사한 무작위 투영 아이디어를 활용하여 $O(d\ell)$-근사치를 달성한다.
• 클러스터 대표 요소 질의는 계층을 따라 탐색하고 더粗운 격자 셀 내에서 가장 가까운 점을 찾음으로써 해결되며, 기대 시간 복잡도는 $O(d\ell\log n\log\Delta)$ 이다.

실험 결과

연구 질문

• RQ1 저차원 유클리드 공간에서 다항로그 시간 복잡도를 확보한 완전 동적 계층적 $k$-센터 클러스터링을 유지할 수 있는가?
• RQ2 고차원 동적 $k$-센터 클러스터링에서 근사 품질과 업데이트 효율성 사이의 트레이드오프는 무엇인가?
• RQ3 전체 구조를 다시 계산하지 않고 삽입 및 삭제가 발생할 때 계층적 클러스터링을 어떻게 유지할 수 있는가?
• RQ4 랜덤 샘플링과 그리드 기반 분해를 사용하여 효율적인 평균 업데이트 시간을 확보하면서도 일정 요소 근사 보장을 유지할 수 있는가?
• RQ5 동적 업데이트 하에서 증명 가능한 점별 근사 비율을 확보한 계층적 클러스터링을 유지할 수 있는가?

주요 결과

• 저차원 유클리드 공간($d$ 가 상수)에서는 삽입, 삭제 및 클러스터 대표 요소 조회가 $\log^{O(1)}(\Delta n)$ 시간 내에 수행된다.
• 고차원 공간에서는 $O(d\ell)$-근사치를 달성하며, 삽입의 평균 기대 시간 복잡도는 $O(d^2\ell\log n\log\Delta)$ 이다.
• 삭제 연산의 평균 기대 시간 복잡도는 $O(d^2n^{1/\ell}\log^2n\log\Delta)$ 이며, 클러스터 질의의 정확도는 $1 - 1/n$ 확률로 높게 유지된다.
• 클러스터 대표 요소 질의는 $O(d\ell\log n\log\Delta)$ 시간 내에 고확률로 처리된다.
• 정확한 클러스터링의 성공 확률은 격자 셀 커버리지에 의존한다: $g \geq 10\log n$ 개의 격자 수준이 있을 경우, 거리 $2^i$ 이내의 모든 점 쌍이 적어도 하나의 격자에 함께 포함될 확률이 높다.
• 계층적 $\alpha$-좋은 집합 가족 구성 방식을 통해 근사 보장이 유지되며, 모든 클러스터링에서 점별 $O(\ell)$-근사치가 보장된다.