[论文解读] Relative $(p,\epsilon)$-Approximations in Geometry

Sariel Har-Peled, Micha Sharir|arXiv (Cornell University)|Sep 3, 2009

Computational Geometry and Mesh Generation参考文献 32被引用 6

一句话总结

本文針對有限 VC-維度的幾何範圍空間引入相對 $(p,\varepsilon)$-近似，提出新穎的構造方法，縮小近似大小並提升 2D 與 3D 近似半空間範圍計數的查詢效率。透過使用權重敏感的生成樹與近似等高線分解，實現次二次預處理與對數時間複雜度的查詢。

ABSTRACT

We re-examine the notion of relative $(p,\\eps)$-approximations, recently introduced in [CKMS06], and establish upper bounds on their size, in general range spaces of finite VC-dimension, using the sampling theory developed in [LLS01] and in several earlier studies [Pol86, Hau92, Tal94]. We also survey the different notions of sampling, used in computational geometry, learning, and other areas, and show how they relate to each other. We then give constructions of smaller-size relative $(p,\\eps)$-approximations for range spaces that involve points and halfspaces in two and higher dimensions. The planar construction is based on a new structure--spanning trees with small relative crossing number, which we believe to be of independent interest. Relative $(p,\\eps)$-approximations arise in several geometric problems, such as approximate range counting, and we apply our new structures to obtain efficient solutions for approximate range counting in three dimensions. We also present a simple solution for the planar case.

研究动机与目标

• 建立有限 VC- 維度範圍空間中相對 $(p,\varepsilon)$-近似的大小之緊緻上界。
• 在 2D 及更高維度中，為點與半空間發展更小規模的相對近似。
• 透過利用新幾何結構，提升 3D 半空間範圍計數的效率。
• 統一並連結計算幾何、學習理論與組合數學中的不同抽樣概念。
• 將 Matoušek 的淺層分割定理推廣至 2D 的加權相對設定，並探討其在高維的類似性質。

提出的方法

• 從 [LLS01] 的抽樣理論重新詮釋相對 $(p,\varepsilon)$-近似，將其與 $(\nu,\alpha)$-樣本連結。
• 引入相對交叉數較小的生成樹作為 2D 的關鍵結構，並使其具備權重敏感特性，以改善近似大小。
• 應用淺層分割定理，在 3D 中構造 $O(\varepsilon^{-1} \log n)$ 個近似等高線層，以支援高效範圍查詢。
• 利用投影平面上的二分搜尋來定位查詢點相對於近似等高線層的位置，每一步驟皆涉及平面點定位。
• 將一連串多面體表面儲存在資料結構中，以支援 $O(\log(\varepsilon^{-1} \log n) \cdot \log(\varepsilon^{-1} n))$ 的查詢時間。
• 結合 $O((n/\varepsilon^{O(1)}) \log^{O(1)} n)$ 的預處理與儲存成本，達成近線性空間與次二次預處理。

实验结果

研究问题

• RQ1 在有限 VC- 維度的範圍空間中，相對 $(p,\varepsilon)$-近似的最小大小為何？
• RQ2 能否高效構造相對交叉數較小的生成樹，並用於在 2D 中建立更小的近似？
• RQ3 如何將相對 $(p,\varepsilon)$-近似推廣至 3D 半空間範圍空間，以提升查詢效率？
• RQ4 在加權相對設定下，淺層分割定理在幾何範圍空間中能多大程度被強化？
• RQ5 能否在維持近線性空間的前提下，將近似 3D 半空間範圍計數的查詢時間改善至低於 $O(\varepsilon^{-2} \log^2 n)$？

主要发现

• 本文確立了在有限 VC- 維度範圍空間中，存在大小為 $O(\varepsilon^{-2} \log n)$ 的相對 $(p,\varepsilon)$-近似，與已知的抽樣界一致。
• 在 2D 中，透過構造具有小相對交叉數的權重敏感生成樹，可得到大小為 $O(\varepsilon^{-1} \log n)$ 的相對 $(p,\varepsilon)$-近似，優於標準的 ${\varepsilon}$-近似。
• 對於 3D 半空間範圍計數，所提出的資料結構支援 $O(\log(\varepsilon^{-1} \log n) \cdot \log(\varepsilon^{-1} n))$ 的查詢時間，且預處理與儲存成本為 $O((n/\varepsilon^{O(1)}) \log^{O(1)} n)$。
• 該方法顯著優於先前工作，將查詢時間由 $\Omega(\varepsilon^{-2} \log^2 n)$ 降低至 $n$ 的次二次複雜度，且在 $\varepsilon^{-1}$ 上為對數時間複雜度。
• 3D 中近似等高線層的構造使用 $O(\varepsilon^{-1} \log n)$ 個表面，支援高效的二分搜尋與每一步的平面點定位。
• 該方法推廣並強化了 2D 中 Matoušek 的淺層分割定理，並暗示在高維中可能以較弱的保證推廣至更高維度。