[논문 리뷰] Optimally Sorting Evolving Data

Juan José Besa, William E. Devanny외 3명|arXiv (Cornell University)|2018. 01. 01.

Algorithms and Data Compression참고 문헌 4인용 수 1

한 줄 요약

이 논문은 실행 중에 기저 순서가 동적으로 변화하는 변화하는 데이터를 정렬하기 위한 최적 알고리즘을 제시한다. 반복적 삽입 정렬이 높은 확률로 진정한 순서와 O(n)의 케נדל 타우 거리를 유지함을 보여주며, 각 비교 이후에 한 개의 랜덤 인접 교환이 발생하는 모델에서 점근적으로 최적성을 달성한다.

ABSTRACT

We give optimal sorting algorithms in the evolving data framework, where an algorithm's input data is changing while the algorithm is executing. In this framework, instead of producing a final output, an algorithm attempts to maintain an output close to the correct output for the current state of the data, repeatedly updating its best estimate of a correct output over time. We show that a simple repeated insertion-sort algorithm can maintain an O(n) Kendall tau distance, with high probability, between a maintained list and an underlying total order of n items in an evolving data model where each comparison is followed by a swap between a random consecutive pair of items in the underlying total order. This result is asymptotically optimal, since there is an Omega(n) lower bound for Kendall tau distance for this problem. Our result closes the gap between this lower bound and the previous best algorithm for this problem, which maintains a Kendall tau distance of O(n log log n) with high probability. It also confirms previous experimental results that suggested that insertion sort tends to perform better than quicksort in practice.

연구 동기 및 목표

• 랜덤 인접 교환이 발생함에 따라 지속적으로 변화하는 기저 데이터 순서로 인해 정렬된 목록을 유지하는 문제에 대응한다.
• 변화하는 데이터 정렬에서 케נדל 타우 거리에 대한 알려진 Ω(n) 하한과 이전의 상한(O(n log log n)) 사이의 격차를 메운다.
• 삽입 정렬이 단순함과 동시에 단계당 O(1)의 역전수 수정을 가지지만, 이 동적 모델에서 점근적으로 최적 성능을 달성함을 보여준다.
• 삽입 정렬이 변화하는 데이터 환경에서 퀵정렬보다 우수한 성능을 보이는 경험적 관찰에 대한 이론적 근거를 제공한다.

제안 방법

• 각 비교 이후에 진정한 총순서에서 한 개의 랜덤 인접 교환이 발생하는 과정으로 변화하는 데이터를 모델링한다.
• 각 원소에 대한 Inc 및 Dec 카운터를 사용하여 삽입 정렬의 성능을 분석한다.
• 카운터를 랜덤한 공을 던지고 상자를 교환하는 볼 앤 빈 과정으로 모델링하며, 실제 카운터 동역학을 확률적으로 지배한다.
• 포아송 근사와 허프딩 부등식을 사용하여 제곱된 상자 적재량의 합을 유계로 제한하며, 이는 역전수와 관련이 있다.
• 집중 불등식과 유니온 불등식을 사용하여 총 역전수 수(Bt)가 높은 확률로 O(n)임을 증명한다.
• 남아 있는 역전수를 수정하기 위해 삽입 정렬 라운드에 최소 Ω(n)단계가 필요함을 입증하여 안정 상태 성능을 확보한다.

실험 결과

연구 질문

• RQ1 간단한 정렬 알고리즘인 삽입 정렬이 변화하는 데이터 모델에서 점근적으로 최적의 케נדל 타우 거리를 달성할 수 있는가?
• RQ2 이 변화하는 데이터 프레임워크에서 어떤 알고리즘에 대해서도 기대 케נדל 타우 거리에 대한 가장 날카로운 상한은 무엇인가?
• RQ3 삽입 정렬이 실질적으로 변화하는 데이터 환경에서 더 빠른 성능을 보이는 이유는 무엇이며, 이는 이론적으로 설명될 수 있는가?
• RQ4 카운터 동역학과 볼 앤 빈 과정의 확률 모델을 사용하여 삽입 정렬의 성능을 유계로 제한할 수 있는가?

주요 결과

• 반복적 삽입 정렬은 높은 확률로 케נדל 타우 거리가 O(n)을 유지하며, 이는 Ω(n) 하한을 고려할 때 점근적으로 최적이다.
• 분석 결과, Inc 및 Dec 카운터의 제곱합은 cn개의 공을 n−1개의 상자에 던지는 것에 의해 확률적으로 지배되며, 이는 총 역전수 수가 O(n)이 됨을 의미한다.
• 높은 확률로 역전수 수 Bt는 임의의 상수 c > e에 대해 12c²n 이하로 유계가 유지되어 안정된 성능을 보장한다.
• O(n)의 역전수에서 시작할 경우 삽입 정렬은 역전수를 수정하기 위해 최소 cn단계가 필요하므로, 조기 종료될 수 없으며 항상 O(n) 거리를 유지함을 확인한다.
• 실험적 관찰을 확인하여 삽입 정렬이 변화하는 데이터 환경에서 퀵정렬보다 우수한 성능을 보이는 이유는 그가 점진적이고 안정적인 업데이트 행동을 가지기 때문이다.
• 삽입 정렬 이전에 퀵정렬 한 라운드를 수행하면 O(n log n)단계 내에 안정 상태에 도달하며, 이 역시 점근적으로 최적이다.