[논문 리뷰] Space-Efficient Approximate Spherical Range Counting in High Dimensions

Andreas Kalavas, Ioannis Psarros|arXiv (Cornell University)|2026. 03. 12.

Computational Geometry and Mesh Generation인용 수 0

한 줄 요약

본 논문은 고차원에서의 근사 구면 범위 계산을 위한 거의 선형 공간의 데이터 구조를 제시하며, 애매 구역 점의 수 t_q가 부분 선형일 때 쿼리 시간이 부분 선형이다. 이는 partition tree, ε-stabbing 개념, 학습에서 영감을 받은 전처리 변형을 결합한다.

ABSTRACT

We study the following range searching problem in high-dimensional Euclidean spaces: given a finite set $P\subset \mathbb{R}^d$, where each $p\in P$ is assigned a weight $w_p$, and radius $r>0$, we need to preprocess $P$ into a data structure such that when a new query point $q\in \mathbb{R}^d$ arrives, the data structure reports the cumulative weight of points of $P$ within Euclidean distance $r$ from $q$. Solving the problem exactly seems to require space usage that is exponential to the dimension, a phenomenon known as the curse of dimensionality. Thus, we focus on approximate solutions where points up to $(1+\varepsilon)r$ away from $q$ may be taken into account, where $\varepsilon>0$ is an input parameter known during preprocessing. We build a data structure with near-linear space usage, and query time in $n^{1-Θ(\varepsilon^4/\log(1/\varepsilon))}+t_q^{\varrho}\cdot n^{1-\varrho}$, for some $\varrho=Θ(\varepsilon^2)$, where $t_q$ is the number of points of $P$ in the ambiguity zone, i.e., at distance between $r$ and $(1+\varepsilon)r$ from the query $q$. To the best of our knowledge, this is the first data structure with efficient space usage (subquadratic or near-linear for any $\varepsilon>0$) and query time that remains sublinear for any sublinear $t_q$. We supplement our worst-case bounds with a query-driven preprocessing algorithm to build data structures that are well-adapted to the query distribution.

연구 동기 및 목표

• 차원의 저주 아래에서 고차원에서의 근사 구면 범위 계산 문제를 동기 부여하고 정의한다.
• 근사적으로 (1+ε)r 반경 내에서 질의를 근사적으로 해줄 수 있는 nearly linear 공간의 데이터 구조를 개발한다.
• 애매 구역 점의 수 t_q에 의존하는 부분 선형이 아닌 쿼리 시간을 달성한다.
• 최악의 경우 보장과 쿼리 분포에 맞춘 데이터 기반 사전처리 변형을 제시한다.

제안 방법

• 고차원 근사 범위 계산에 파티션 트리(parition trees)를 적용한다.
• 쿼리가 ε-stabs하는 경우, 쿼리로부터 거리가 ≤ r인 점과 ≥ (1+ε)r인 점이 존재한다는 더 강력한 ε-stabbing 개념을 도입한다.
• 가벼운 간선(light edge)과 곱가중치 업데이트(MWU)를 사용하여 ε-stabbing 수가 낮은 포괄 트리(spanning tree)를 구성하고, 이를 통해 효율적인 파티션 트리를 가능하게 한다.
• LSH를 통해 해밍 거리(Hamming metric)에 대한 무작위 임베딩을 적용하여 근사적인 stabbing 질의를 구현하고 파티션 트리의 효율적 탐색을 지원한다.
• 학습 이론에서 영감을 얻은 질의 중심 사전처리 변형을 적용하여 구조를 질의 분포에 맞춘다.
• 필요한 곳에서 거리를 보존하면서 차원 관리를 위해 Johnson-Lindenstrauss 임베딩과 터미널 임베딩을 활용한다.

실험 결과

연구 질문

• RQ1 고차원에서 근사 구면 범위 계산을 거의 선형 공간으로 해결할 수 있는가?
• RQ2 애매 구역 점의 수 t_q가 부분 선형일 때, 질의 시간을 n에 대해 부분 선형으로 유지할 수 있는가?
• RQ3 이 문제에 대해 어떤 구조적 특성(예: 낮은 ε-stabbing 수)이 효율적인 파티션 트리를 가능하게 하는가?
• RQ4 데이터 기반의 사전처리가 현실적인 질의 분포에 대해 더 나은 평균 사례 성능의 데이터 구조를 생성할 수 있는가?

주요 결과

• A randomized data structure achieves near-linear space ðer tilde notation: ðrac{O(n)}{ } with preprocessing time O(dn) + n^{poly(1/ε)} and sublinear query time when t_q is sublinear.
• The query time is n^{1 - Θ(ε^{4}/log(1/ε))} + t_q^{Θ(ε^{2})} · n^{1 - Θ(ε^{2})} in a simplified version, improving prior space-efficiency while maintaining sublinear performance for small t_q.
• A spanning tree with sublinear ε-stabbing number exists and can be computed in polynomial time, supporting efficient partition trees.
• A data-driven (query distribution-aware) preprocessing algorithm yields near-optimal expected visiting numbers for the query distribution, reducing preprocessing complexity to n^{O(1)} in practice.
• The approach integrates partition trees, ε-stabbing, MWU-based spanning trees, and randomized embeddings to achieve the stated guarantees, marking a first for subquadratic/near-linear space with sublinear query time for sublinear t_q.