[论文解读] Algorithms for eps-approximations of Terrains

Jeff M. Phillips|ArXiv.org|Jan 18, 2008

Soil Geostatistics and Mapping参考文献 31被引用 9

一句话总结

本文提出了用于构建地形类连续域和离散点集的 $\varepsilon$-近似值的确定性算法，实现了显著更小的规模——$O(\frac{1}{\varepsilon}\text{ polylog}\frac{1}{\varepsilon})$——对于轴对齐矩形和 $k$-定向多边形等几何族，优于标准的 $O(\frac{1}{\varepsilon^2}\log\frac{1}{\varepsilon})$ 边界。该方法利用几何不均匀性与范围空间分析，实现了高效、低误差的采样，适用于空间分析、生物监测和传感器网络等应用。

ABSTRACT

Consider a point set D with a measure function w : D -> R. Let A be the set of subsets of D induced by containment in a shape from some geometric family (e.g. axis-aligned rectangles, half planes, balls, k-oriented polygons). We say a range space (D, A) has an eps-approximation P if max {R \in A} | w(R \cap P)/w(P) - w(R \cap D)/w(D) | <= eps. We describe algorithms for deterministically constructing discrete eps-approximations for continuous point sets such as distributions or terrains. Furthermore, for certain families of subsets A, such as those described by axis-aligned rectangles, we reduce the size of the eps-approximations by almost a square root from O(1/eps^2 log 1/eps) to O(1/eps polylog 1/eps). This is often the first step in transforming a continuous problem into a discrete one for which combinatorial techniques can be applied. We describe applications of this result in geo-spatial analysis, biosurveillance, and sensor networks.

研究动机与目标

• 开发用于构建连续域（如地形和分布）的 $\varepsilon$-近似值的确定性算法。
• 减少几何范围空间中 $\varepsilon$-近似值的规模，特别是针对轴对齐矩形和 $k$-定向多边形，超越标准的 $O(\frac{1}{\varepsilon^2}\log\frac{1}{\varepsilon})$ 边界。
• 实现在需要小规模、高精度样本的应用中的实际部署，如生物监测和传感器网络，其中随机采样成本过高。
• 通过改进的近似规模，建立 $\varepsilon$-哨兵（小规模子集，用于检测传感器数据中的显著事件）的理论保证。

提出的方法

• 利用几何不均匀性理论和范围空间分析，设计用于连续域和离散点集的确定性采样算法。
• 应用一种改进的 Halve 算法并引入分支机制，生成多个不相交的 $\varepsilon$-近似值，支持分布式传感器监控。
• 利用 Beck-Fiala 定理及其扩展，对 $k$-定向多面体和轴对齐矩形中的不均匀性进行边界控制。
• 采用递归分解策略，在保持 $\varepsilon$-近似值保证的同时，通过多对数因子最小化样本规模。
• 提出一种技术，通过在多个近似值中重用点，构造出 $O(n\varepsilon / \log^{2k}\frac{1}{\varepsilon})$ 个不相交的 $\varepsilon$-哨兵。
• 应用不均匀性理论和 VC-维数的结果，推导出各种几何族中 $\varepsilon$-近似值规模的边界。

实验结果

研究问题

• RQ1 能否通过确定性算法，为轴对齐矩形等几何族构建规模为 $O(\frac{1}{\varepsilon}\text{ polylog}\frac{1}{\varepsilon})$ 的连续地形 $\varepsilon$-近似值？
• RQ2 对于 VC-维数有界的范围空间，$\varepsilon$-近似值的规模能否近乎降低一个平方根因子？
• RQ3 在传感器网络中，能否为 $k$-定向多边形高效构造规模为 $O(\frac{1}{\varepsilon}\text{ polylog}\frac{1}{\varepsilon})$ 的 $\varepsilon$-哨兵？
• RQ4 是否可能从单个点集中生成多个不相交的 $\varepsilon$-哨兵，以实现能量高效的节点交替激活？

主要发现

• 本文为轴对齐矩形和 $k$-定向多边形构建了规模为 $O(\frac{1}{\varepsilon}\text{ polylog}\frac{1}{\varepsilon})$ 的 $\varepsilon$-近似值，将标准边界近乎降低了一个平方根因子。
• 对于大小为 $n$ 的离散点集，可在 $O(n\frac{1}{\varepsilon^3}\text{ polylog}(\log\frac{1}{\varepsilon}))$ 时间内构造 $\mathcal{Q}_k$（$k$-定向多边形）的 $\varepsilon$-哨兵，其规模为 $O(\frac{1}{\varepsilon}\log^{2k}\frac{1}{\varepsilon}\text{ polylog}(\log\frac{1}{\varepsilon}))$。
• 该方法可生成 $O(n\varepsilon / \log^{2k}\frac{1}{\varepsilon})$ 个不相交的 $\varepsilon$-哨兵，支持传感器网络中能量高效的节点激活。
• 一种确定性算法可在 $O(n\frac{1}{\varepsilon^4}\text{ polylog}(\log\frac{1}{\varepsilon}))$ 时间内找到一个范围 $R$，使得 $|d_P(m_R, b_R) - \max_{r\in\mathcal{R}_2} d_P(m_r, b_r)| \leq \varepsilon$，适用于高斯核。
• 与随机采样相比，该方法避免了 $O(\frac{1}{\varepsilon^2}\log\frac{1}{\varepsilon})$ 的样本规模，使其在大规模传感器网络和空间分析中更具实用性。
• 通过不均匀性边界和基于 VC-维数的分析，建立了理论保证，表明在关键几何族中，$O(\frac{1}{\varepsilon}\text{ polylog}\frac{1}{\varepsilon})$ 个样本足以实现 $\varepsilon$-近似值。