[论文解读] Prioritized Metric Structures and Embedding

Michael Elkin, Arnold Filtser+1 more|arXiv (Cornell University)|Feb 19, 2015

Complexity and Algorithms in Graphs参考文献 25被引用 7

一句话总结

本文提出了优先级度量数据结构与嵌入方法，针对预先定义的排名中高优先级顶点，实现了更优的拼接度、畸变度、标签大小与维度。该方法实现了优先级性能——服务质量随顶点排名下降而渐进式退化——同时保持了与经典非优先级对应结构相同的最坏情况空间与大小界限。

ABSTRACT

Metric data structures (distance oracles, distance labeling schemes, routing schemes) and low-distortion embeddings provide a powerful algorithmic methodology, which has been successfully applied for approximation algorithms \cite{llr}, online algorithms \cite{BBMN11}, distributed algorithms \cite{KKMPT12} and for computing sparsifiers \cite{ST04}. However, this methodology appears to have a limitation: the worst-case performance inherently depends on the cardinality of the metric, and one could not specify in advance which vertices/points should enjoy a better service (i.e., stretch/distortion, label size/dimension) than that given by the worst-case guarantee. In this paper we alleviate this limitation by devising a suit of {\em prioritized} metric data structures and embeddings. We show that given a priority ranking $(x_1,x_2,\ldots,x_n)$ of the graph vertices (respectively, metric points) one can devise a metric data structure (respectively, embedding) in which the stretch (resp., distortion) incurred by any pair containing a vertex $x_j$ will depend on the rank $j$ of the vertex. We also show that other important parameters, such as the label size and (in some sense) the dimension, may depend only on $j$. In some of our metric data structures (resp., embeddings) we achieve both prioritized stretch (resp., distortion) and label size (resp., dimension) {\em simultaneously}. The worst-case performance of our metric data structures and embeddings is typically asymptotically no worse than of their non-prioritized counterparts.

研究动机与目标

• 解决现有度量数据结构与嵌入方法的局限性，即性能保证仅依赖于点的总数，而非用户指定的优先级。
• 实现顶点/点的预定义优先级，使高排名顶点能获得更优的拼接度、畸变度、标签大小或维度。
• 设计能同时优化多个参数（如拼接度与标签大小）的高优先级点的数据结构与嵌入方法。
• 保持渐近最坏情况效率——确保新结构不会使低优先级点的性能退化超过经典非优先级结构的界限。

提出的方法

• 预先定义顶点 $ (x_1, x_2, \ldots, x_n) $ 的优先级排名，其中 $ x_j $ 的排名为 $ j $，并设计针对该排名定制性能的数据结构。
• 构建距离预言机与标记方案，对任意包含 $ x_j $ 的点对，拼接度为 $ 2\big\lceil t \cdot \frac{\log j}{\log n} \big\rceil - 1 $，优于标准的 $ 2t - 1 $ 界限。
• 构建进入 $ O(\log n) $ 维欧几里得空间的嵌入，优先级畸变度为 $ O(\log j \cdot (\log \log j)^{1/2 + \epsilon}) $，其中 $ \epsilon > 0 $ 为任意常数。
• 引入“活跃维度”的概念，使高优先级点仅使用 $ O(\text{poly}(\log j)) $ 个坐标，即使完整嵌入维度较大。
• 通过集合 $ Q_{ij} $ 的概率采样以及非扩张映射 $ \varphi_{ij}(u) = d(u, Q_{ij}) $，构造进入 $ \ell_p $ 空间的保收缩嵌入。
• 应用切尔诺夫不等式与霍尔德不等式，证明嵌入收缩的集中性，确保以常数概率满足 $ \|\varphi(u) - \varphi(v)\|_p \geq \Omega(\gamma_A(u,v)/\log k) $。

实验结果

研究问题

• RQ1 能否设计度量数据结构，使得性能（拼接度、标签大小）依赖于顶点的排名，而非仅总顶点数？
• RQ2 能否构建低畸变嵌入，使得涉及高优先级点的点对畸变显著优于最坏情况 $ O(\log n) $？
• RQ3 能否同时提升高优先级顶点的拼接度与标签大小（或畸变度与维度）？
• RQ4 能否形式化“有效维度”的概念，使得高优先级点仅用少数活跃坐标表示？
• RQ5 这些改进能否在不降低原始非优先级结构最坏情况性能的前提下实现？

主要发现

• 本文构建了距离预言机，对任意包含第 $ j $ 名顶点的点对，拼接度为 $ 2\big\lceil t \cdot \frac{\log j}{\log n} \big\rceil - 1 $，同时保持空间复杂度 $ O(t \cdot n^{1+1/t}) $，与非优先级的 Thorup-Zwick 预言机一致。
• 实现了距离标记方案，标签大小为 $ O(n^{1/t} \cdot \log^{1-1/t} n) $，但拼接度依赖于 $ j $，对高优先级顶点性能更优。
• 构建了进入 $ O(\log n) $ 维欧几里得空间的嵌入，优先级畸变度为 $ O(\log j \cdot (\log \log j)^{1/2 + \epsilon}) $（$ \epsilon > 0 $ 为任意常数），优于最坏情况 $ O(\log n) $ 的畸变度。
• 实现了进入树分布的嵌入，期望优先级畸变度为 $ O\big(\log j\big) $，优于最坏情况 $ O(\log n) $ 的期望畸变度。
• 本文引入了“活跃维度”的概念，即使完整嵌入维度为 $ O(\log n) $，高优先级点也仅使用 $ O(\text{poly}(\log j)) $ 个坐标。
• 所有所提结构的最坏情况性能在渐近意义上不劣于其非优先级对应结构，确保了在空间与大小方面的向后兼容性。