[论文解读] Convex Hulls under Uncertainty

Pankaj K. Agarwal, Sariel Har-Peled+3 more|arXiv (Cornell University)|Jun 25, 2014

Data Management and Algorithms参考文献 7被引用 26

一句话总结

本文提出了一种概率框架，用于在点的位置和存在性均以概率分布描述的不确定性条件下计算凸包。该框架提出了高效的算法，用于计算查询点属于凸包的成员概率，构建精确查询的概率图，并引入了新颖的β-凸包概念，以实现对不确定凸包的鲁棒表示，其中在多点模型下，二维β-凸包的计算时间复杂度为O(n log³n)。

ABSTRACT

We study the convex-hull problem in a probabilistic setting, motivated by the need to handle data uncertainty inherent in many applications, including sensor databases, location-based services and computer vision. In our framework, the uncertainty of each input site is described by a probability distribution over a finite number of possible locations including a \emph{null} location to account for non-existence of the point. Our results include both exact and approximation algorithms for computing the probability of a query point lying inside the convex hull of the input, time-space tradeoffs for the membership queries, a connection between Tukey depth and membership queries, as well as a new notion of $\some$-hull that may be a useful representation of uncertain hulls.

研究动机与目标

• 解决输入点在位置和存在性上均存在不确定性的凸包计算挑战，该问题源于传感器网络和计算机视觉等实际应用。
• 开发精确与近似算法，以计算查询点位于不确定数据凸包内部的概率。
• 设计时间与空间效率高的数据结构，以快速回答成员概率查询。
• 引入并形式化β-凸包的概念，作为不确定凸包的鲁棒且近似的表示。
• 建立成员概率与塔基深度之间的联系，以实现几何洞察与算法改进。

提出的方法

• 使用两种框架建模不确定性：单点模型（每个点以给定概率存在于固定位置）和多点模型（每个点可存在于多个位置之一，且对应概率已知）。
• 通过评估查询点位于随机实现的点集凸包内部的概率，利用几何与组合技术计算查询点的成员概率。
• 构建一个概率图ℳ(𝒫)，将ℝᵈ划分为若干凸胞腔，每个胞腔内成员概率恒定，当d=2时，其大小为Θ(nᵈ²)，构造时间为O(n⁴)。
• 采用基于采样的蒙特卡洛方法，构建一个近线性大小的数据结构，可在亚线性时间内以高概率近似成员概率。
• 利用对偶性与参数搜索计算二维β-凸包：将问题转化为在对偶空间中计算β-层级的下包络，使用(1/r)-切割与递归细分。
• 将β-凸包定义为所有β-密集凸集的交集，其中集合为β-密集当且仅当其包含每个不确定点概率质量的至少β比例。

实验结果

研究问题

• RQ1 给定一个查询点，其位于由不确定性点集构成的凸包内部的概率是多少？其中每个点的位置与存在性均以概率方式定义？
• RQ2 如何对不确定性点集进行预处理，以高效回答成员概率查询，同时在空间与查询时间之间取得平衡？
• RQ3 能否建立成员概率与塔基深度之间的联系，以改进高概率胞腔的查询数据结构？
• RQ4 一种有效且可计算的不确定凸包近似表示是什么？如何高效计算？
• RQ5 β-凸包是否是完整概率凸包在不确定性条件下的有意义且可高效计算的替代方案？

主要发现

• 当d=2时，查询点的成员概率可在O(n log n)时间内计算；当d≥3时，可在O(nᵈ)时间内计算，适用于单点与多点模型。
• 当d=2时，概率图ℳ(𝒫)的大小为O(n⁴)，且可在最优O(n⁴)时间内构造，从而实现每个胞腔的精确成员概率回答。
• 基于采样的蒙特卡洛数据结构可在近线性空间内，以亚线性时间实现高概率的近似成员概率查询。
• 建立了成员概率与塔基深度之间的联系，从而可在二维中高效构建高概率胞腔的查询数据结构。
• 在多点模型下，二维不确定点集的β-凸包可在O(n log³n)时间内计算，为不确定凸包提供了鲁棒且可计算的近似表示。
• β-凸包被定义为所有β-密集凸集的交集，其中β-密集指包含每个不确定点概率质量至少β比例的集合。