[论文解读] An Improved Randomized Data Structure for Dynamic Graph Connectivity

Zhengyu Wang|arXiv (Cornell University)|Oct 15, 2015

Complexity and Algorithms in Graphs参考文献 6被引用 13

一句话总结

本文提出了一种随机化动态图连通性数据结构，通过消除先前工作中使用的冗余随机性，改进了最坏情况下的更新时间。通过引入一种新型不变量，以高概率维持正确性——而无需使用 log n 份数据结构的副本——该方法实现了每次边插入 O(log³n)、每次边删除 O(log⁴n) 和每次查询 O(log n / log log n) 的时间复杂度，优于先前的 O(log⁴n) 和 O(log⁵n) 的界限。

ABSTRACT

We present a randomized algorithm for dynamic graph connectivity. With failure probability less than $1/n^c$ (for any constant $c$ we choose), our solution has worst case running time $O(\log^3 n)$ per edge insertion, $O(\log^4 n)$ per edge deletion, and $O(\log n/\log\log n)$ per query, where $n$ is the number of vertices. The previous best algorithm has worst case running time $O(\log^4 n)$ per edge insertion and $O(\log^5 n)$ per edge deletion. The improvement is made by reducing the randomness used in the previous result, so that we save a $\log n$ factor in update time. Specifically, \cite{kapron2013dynamic} uses $\log n$ copies of a data structure in order to boost a success probability from $1/2$ to $1-n^{-c}$. We show that, in fact though, because of the special structure of their algorithm, this boosting via repetition is unnecessary. Rather, we can still obtain the same correctness guarantee with high probability by arguing via a new invariant, without repetition.

研究动机与目标

• 解决在确定性设置下实现动态图连通性问题的最坏情况更新时间达到多项式对数时间这一长期开放问题。
• 在 KKM13 提出的最先进随机算法基础上进行改进，该算法通过使用 log n 份数据结构的副本，将成功概率从 1/2 提升至 1 - 1/n^c。
• 通过引入一种新的结构不变量，消除对重复采样的依赖，从而在不引入冗余的前提下确保高概率正确性。
• 将边删除的最坏情况更新时间从 O(log⁵n) 降低至 O(log⁴n)，将边插入的最坏情况更新时间从 O(log⁴n) 降低至 O(log³n)，同时保持 O(log n / log log n) 的查询时间。

提出的方法

• 引入一种分层数据结构，其中每一层使用动态树维护生成森林，并通过概率不变量控制树的合并。
• 提出一种新不变量（不变量 2），确保每一层上非最大树与伙伴树合并的概率至少为 1/2，从而在不重复的情况下维持正确性。
• 取代先前通过使用 log n 个独立数据结构副本以提升成功概率的方法，转而通过树合并动态的概率分析来证明正确性。
• 采用递归更新机制（Update(i,u)），尝试在第 i 层将一棵树与伙伴树合并，利用割集查询在删除操作后找到重新连接的边。
• 利用马尔可夫不等式和切尔诺夫不等式，证明各层中非最大树的数量呈指数衰减，从而确保顶层 F_ℓ 以高概率构成生成森林。
• 在 m = poly(n) 次操作上应用并集界，证明主算法与分层模拟的输出以高概率完全一致。

实验结果

研究问题

• RQ1 是否可以在不使用 log n 份独立数据结构副本的情况下，实现随机化动态连通性中成功概率的提升？
• RQ2 是否存在一种结构不变量，能够保证高概率正确性，同时避免重复采样？
• RQ3 是否可以通过更精细的分析，将边删除的最坏情况更新时间从 O(log⁵n) 降低至 O(log⁴n)？
• RQ4 基于树合并动态的概率不变量是否足以在不引入冗余的前提下，确保顶层的正确性？
• RQ5 在动态连通性的背景下，是否可以消除对重复采样的依赖，同时保持多项式对数的最坏情况界限？

主要发现

• 所提出的算法实现了每次边插入 O(log³n) 的最坏情况时间复杂度，优于先前的 O(log⁴n) 界限。
• 该算法将边删除的最坏情况时间复杂度降低至 O(log⁴n)，显著优于先前的 O(log⁵n) 时间。
• 查询操作的响应时间为 O(log n / log log n)，与最优先前结果一致。
• 该算法以小于 1/n^c 的失败概率保持正确性，且不依赖于 log n 份数据结构的副本。
• 其关键创新在于提出了一种新不变量，通过结构特性而非重复实现高概率正确性，从而在更新时间上节省了 log n 因子。
• 分析表明，各层中非最大树的数量呈指数衰减，使得顶层形成生成森林的概率大于 1 - 1/n^c。