[论文解读] On the metric distortion of nearest-neighbour graphs on random point sets

Amitabha Bagchi, Sohit Bansal|ArXiv.org|Apr 23, 2008

Computational Geometry and Mesh Generation参考文献 18被引用 4

一句话总结

该论文将二维泊松点过程上 $k$-最近邻图的临界值 $k_c(2)$ 的上界从 213 改进至 188，证明当 $k \geq 188$ 时，无限簇中包含一个具有有界度量失真的无限子集——图距离至多为欧几里得距离的常数倍。这些结果对多跳无线传感器网络具有重要意义，其中长距离连通性和低膨胀性对于高效的数据路由至关重要。

ABSTRACT

We study the graph constructed on a Poisson point process in $d$ dimensions by connecting each point to the $k$ points nearest to it. This graph a.s. has an infinite cluster if $k > k_c(d)$ where $k_c(d)$, known as the critical value, depends only on the dimension $d$. This paper presents an improved upper bound of 188 on the value of $k_c(2)$. We also show that if $k \geq 188$ the infinite cluster of $\NN(2,k)$ has an infinite subset of points with the property that the distance along the edges of the graphs between these points is at most a constant multiplicative factor larger than their Euclidean distance. Finally we discuss in detail the relevance of our results to the study of multi-hop wireless sensor networks.

研究动机与目标

• 改进二维泊松点过程上 $k$-最近邻图中无限簇存在的临界值 $k_c(2)$ 的上界。
• 建立当 $k \geq 188$ 时，无限簇中包含一个具有有界度量失真的无限点子集——即图距离至多为欧几里得距离的常数倍。
• 展示这些结果对多跳无线传感器网络设计与性能分析的相关性，特别是在连通性和低膨胀路由方面。
• 为使用 $k$-NN 拓扑控制实现大规模传感器网络中高效数据分发的可行性提供理论依据。

提出的方法

• 分析在 $\mathbb{R}^2$ 中具有欧几里得距离的齐次泊松点过程上的 $k$-最近邻图模型 $\mbox{NN}(2,k)$。
• 应用渗滤理论与 $\mathbb{Z}^2$ 上的点渗滤，利用渗滤的超临界相推导临界 $k_c(2)$ 的界。
• 采用构造性论证，识别无限簇中图距离至多为欧几里得距离常数倍的无限点子集。
• 将证明技术推广至更高维度 $d \geq 3$，表明该方法可扩展至二维以上。
• 在有限区域上进行模拟，估算平均和最大度量失真，将数据拟合至 $1 + a/k^2$ 函数以支持猜想。
• 利用 $\mathbb{Z}^2$ 中每个点以非零概率属于无限簇的事实，推断存在一个稠密的无限低失真点子集。

实验结果

研究问题

• RQ1 在二维泊松点过程上的 $k$-最近邻图中，临界值 $k_c(2)$ 的最佳已知上界是什么？
• RQ2 在 $\mbox{NN}(2,k)$ 中，当 $k$ 取何值时，无限簇包含一个相对于欧几里得距离具有有界度量失真的无限点子集？
• RQ3 $\mbox{NN}(2,k)$ 中的平均度量失真如何随 $k$ 变化？是否可建模为 $1 + a/k^2$？
• RQ4 关于无限簇和有界失真的理论结果在多大程度上可应用于现实世界中的多跳无线传感器网络？

主要发现

• 将 $k_c(2)$ 的上界从 213 改进至 188，为二维 $k$-NN 图中无限簇出现提供了更紧的阈值。
• 当 $k \geq 188$ 时，$\mbox{NN}(2,k)$ 的无限簇中包含一个无限点子集，使得任意两点间的图距离至多为其欧几里得距离的常数倍。
• 模拟结果表明，$\mbox{NN}(2,k)$ 中的平均度量失真近似按 $1 + 4.62/k^2$ 或 $1 + 5.03/k^2$ 变化，具体取决于实现，支持了猜想的渐近形式。
• 当 $k \geq 5$ 时，最大连通分量中超过 99% 的点对其失真小于欧几里得距离的 2 倍，表明具有强低膨胀特性。
• 结果表明，对于任意期望密度 $\lambda$，仅需略高的密度 $\lambda'$ 即可确保当 $k \geq 188$ 时，$k$-NN 图中存在一个无限低失真点子集。
• 本文猜想，当 $k > k_c(2)$ 时，无限簇中的期望度量失真渐近为 $1 + a/k^2$（$a$ 为某常数），且失真以高概率有界于 2。