[论文解读] The Decision Tree Complexity for $k$-SUM is at most Nearly Quadratic

Esther Ezra, Micha Sharir|arXiv (Cornell University)|Jul 14, 2016

Complexity and Algorithms in Graphs参考文献 14被引用 3

一句话总结

本论文提出了一种新的 $k$-SUM 问题算法，采用递归垂直分解方法并结合 $\varepsilon$-切割，将决策树复杂度降低至 $O(n^2 \log^2 n)$ 个线性查询。该方法改进了 Cardinal 等人以及 Meyer auf der Heide 的先前结果，实现了近乎二次复杂度，并可推广至具有任意实系数的更一般的 $k$-线性退化测试（k-LDT）问题。

ABSTRACT

Following a recent improvement of Cardinal et al. on the complexity of a linear decision tree for $k$-SUM, resulting in $O(n^3 \log^3{n})$ linear queries, we present a further improvement to $O(n^2 \log^2{n})$ such queries.

研究动机与目标

• 在线性决策树模型中，弥合 $k$-SUM 问题目前最佳上界与下界之间的差距。
• 在高维超平面排列中，开发更高效的点定位机制，尤其针对 $k$-SUM 和 $k$-LDT 问题。
• 改进 Cardinal 等人提出的 $O(n^3 \log^3 n)$ 上界以及 Meyer auf der Heide 的 $O(n^4 \log n)$ 上界，适用于 $k$-LDT 问题。
• 在 $s$-线性决策树模型下分析 $k$-SUM 和 $k$-LDT 的查询复杂度，特别是当 $s$ 较大时（例如 $s = n$）。
• 探讨在决策树模型中实现近乎线性查询复杂度的可行性，考虑到当前的下界为 $\Omega(n \log n)$。

提出的方法

• 该算法使用由 $k$-SUM 约束定义的超平面排列的递归垂直分解，每个递归层级维护一个柱体。
• 在每个递归步骤中，应用 $\varepsilon$-切割对空间进行划分，使活跃超平面数量减少一个常数因子。
• 该方法依赖于将当前柱体的垂直壁投影到低一维的空间中，使每一步问题维度降低一维。
• 在决策树的每个节点执行线性查询，以测试线性函数的符号，每层的查询数量被限制在 $O(n^2 \log n)$。
• 该构造确保在 $O(\log |H|)$ 个递归层级中的每一级，超平面数量均减少一个常数因子，从而总查询数为 $O(n^2 \log^2 n)$。
• 通过确保坐标旋转后无超平面与坐标轴平行，该方法可推广至 $k$-LDT，从而保持对任意实系数的一般适用性。

实验结果

研究问题

• RQ1 能否将 $k$-SUM 的决策树复杂度降低至先前 $O(n^3 \log^3 n)$ 上界以下？
• RQ2 在线性决策树模型中，能否实现 $k$-SUM 的近乎二次查询复杂度？
• RQ3 与 Meiser 的点定位机制相比，使用 $\varepsilon$-切割的递归垂直分解在查询时间和空间复杂度方面表现如何？
• RQ4 能否在保持近乎二次查询复杂度的同时，将该算法推广至具有任意实系数的 $k$-LDT 问题？
• RQ5 在 $\Omega(n \log n)$ 下界的前提下，$k$-SUM 决策树复杂度的最紧上界是什么？

主要发现

• $k$-SUM 的决策树复杂度被限制在 $O(n^2 \log^2 n)$ 个线性查询内，相比先前的 $O(n^3 \log^3 n)$ 上界有显著改进。
• 该算法通过递归垂直分解与 $\varepsilon$-切割实现该上界，使在 $O(\log n)$ 个层级中每级活跃超平面数量均减少一个常数因子。
• 该方法可推广至具有任意实系数的 $k$-LDT 问题，查询复杂度为 $O(kn^2 \log^2 n)$，对于固定的 $k$，该复杂度在 $n$ 上近乎二次。
• 所构建数据结构的查询时间为 $O(d^4 \log n)$，相比 Meiser 的 $O(d^5 \log n)$ 查询时间，性能提升了一个数量级。
• 空间复杂度仍为 $n^{O(d)}$，指数中的常数仅略大于 Meiser 的结果，表明存在进一步优化的潜力。
• 分析表明，空间复杂度中的比例常数可从双指数级改进为单指数级，尽管这仍是待进一步研究的优化方向。