[论文解读] Net and Prune: A Linear Time Algorithm for Euclidean Distance Problems

Sariel Har-Peled, Banjamin Raichel|arXiv (Cornell University)|Sep 25, 2014

Computational Geometry and Mesh Generation参考文献 13被引用 5

一句话总结

本文提出了一种新颖的“网与修剪”框架，可在广泛范围的欧几里得距离问题（如k-中心聚类和最远最近邻）中实现期望线性时间的常数因子近似解。通过结合分层网与随机修剪，该方法在高概率保证下实现了近乎线性时间的算法，显著简化了以往复杂的处理方法。

ABSTRACT

We provide a general framework for getting expected linear time constant factor approximations (and in many cases FPTASs) to several well-known problems in Computational Geometry, such as $k$-center clustering and farthest nearest neighbor. The new approach is robust to variations in the input problem, and yet it is simple, elegant, and practical. In particular, many of these well-studied problems, which fit easily into our framework, either previously had no linear time approximation algorithm, or required rather involved algorithms and analysis. A short list of the problems we consider includes farthest nearest neighbor, $k$-center clustering, smallest disk enclosing $k$ points, Hausdorff distance, $k$th largest distance, $k$th smallest $m$-nearest neighbor distance, $k$th heaviest edge in the MST, and other spanning-forest type problems, problems involving upward closed set systems, and more. Finally, we show how to extend our framework such that the linear running time bound holds with high probability.

研究动机与目标

• 开发一种通用、简单且实用的框架，用于在期望线性时间内求解几何优化问题。
• 用随机化的修剪与搜索方法替代复杂的参数搜索技术，实现线性时间性能。
• 将该框架扩展至提供高概率运行时间边界，尤其在算法早期迭代中表现优异。
• 展示该方法在多种问题中的适用性，包括k-中心聚类、最小包围圆以及第k个最近邻距离等。
• 探索基于距离的优化问题中线性时间可解性的极限，特别是在低维及平面设置下。

提出的方法

• 该框架利用分层网识别关键距离值，并以递归方式指导修剪步骤。
• 通过随机采样在每次迭代中修剪掉输入点的常数比例，从而减小问题规模，同时保持近似质量。
• 算法利用“确定性”或“高概率”判定器来验证候选解，并隐式引导搜索过程。
• 对于高概率边界，该方法确保在O(log n)次成功迭代后，子问题规模降至O(n/log n)以下，从而在高概率下使剩余时间保持O(n)。
• 该方法整合基于网格的计算，将近似解在时间复杂度为线性的情况下精炼为精确解，提升精度而不损失效率。
• 通过调整网的构建方式与修剪逻辑，该框架被扩展以处理具有向上封闭集合系统及其他组合结构的问题。

实验结果

研究问题

• RQ1 是否能通过统一框架实现对多个几何优化问题的线性时间常数因子近似解，而这些问题是以往需要复杂算法才能解决的？
• RQ2 随机修剪与基于网的采样是否能够替代参数搜索，以实现距离问题的线性时间求解？
• RQ3 在何种条件下，线性时间边界可被高概率保证，而非仅在期望意义下成立？
• RQ4 该框架是否可被调整以处理具有非凸或组合结构的问题，例如平面图中的k-中心问题？
• RQ5 是否可能在线性时间内近似计算小集合X到大集合P的所有最近邻距离？

主要发现

• 网与修剪框架对k-中心聚类、最远最近邻及其他基于距离的问题实现了O(n)的期望时间复杂度，获得常数因子近似解。
• 对于任意φ > 3/2，该方法以高概率在O(n)时间内计算出φ-NDP问题最优值的φ-近似解。
• 对于(1+ε)-近似解的(1+ε)-NDP问题，该算法以高概率在O(n/ε^c)时间内运行，与判定器的复杂度相匹配。
• 高概率运行时间边界在子问题规模降至O(n/log n)以下之前持续有效，此后剩余时间以高概率为O(n)。
• 该框架可在近似解经基于网格的精炼后，以线性时间实现第k小距离或k-最重MST边的精确计算。
• 该方法表明，平面图中的近似k-中心聚类问题可在近乎线性时间内求解，为新研究方向打开大门。