We present parameterized streaming algorithms for the graph matching problem in both the dynamic and the insert-only models. For the dynamic streaming model, we present a one-pass algorithm that, with high probability, computes a maximum-weight $k$-matching of a weighted graph in $\tilde{O}(Wk^2)$ space and that has $\tilde{O}(1)$ update time, where $W$ is the number of distinct edge weights and the notation $\tilde{O}()$ hides a poly-logarithmic factor in the input size. For the insert-only streaming model, we present a one-pass algorithm that runs in $O(k^2)$ space and has $O(1)$ update time, and that, with high probability, computes a maximum-weight $k$-matching of a weighted graph. The space complexity and the update-time complexity achieved by our algorithms for unweighted $k$-matching in the dynamic model and for weighted $k$-matching in the insert-only model are optimal. A notable contribution of this paper is that the presented algorithms {\it do not} rely on the apriori knowledge/promise that the cardinality of \emph{every} maximum-weight matching of the input graph is upper bounded by the parameter $k$. This promise has been a critical condition in previous works, and lifting it required the development of new tools and techniques.


翻译:在动态和只插入模式中,我们为图形匹配问题提供了参数流算法。对于动态流模型,我们提供了一种一次性算法,这种算法以高概率计算一个以$\tilde{O}(Wk ⁇ 2)为单位的加权图形的最大重量$K$-对齐(美元=O})(Wk ⁇ 2),并且具有$tilde{O}(1)美元更新时间,其中美元是不同的边缘重量数和在输入大小中以$\tilde{O}(美元=)为单位的标记值。对于只插入流模型,我们提出了一个一次性算法,以高概率计算一个以$(k ⁇ 2)为单位的加权图表的最大重量$-美元-对齐值。对于只插入的流模型,我们提出了一个单行流算法,我们用一个单行流算的单行算法计算了一个单行算法,以$(k}空间复杂性和新算算算法的数值。在插入型的模型中,一个最显著的算法是最高级的缩缩缩的缩缩缩缩算法。

0
下载
关闭预览

相关内容

2019年机器学习框架回顾
专知会员服务
35+阅读 · 2019年10月11日
机器学习入门的经验与建议
专知会员服务
92+阅读 · 2019年10月10日
【SIGGRAPH2019】TensorFlow 2.0深度学习计算机图形学应用
专知会员服务
39+阅读 · 2019年10月9日
Hierarchically Structured Meta-learning
CreateAMind
26+阅读 · 2019年5月22日
Transferring Knowledge across Learning Processes
CreateAMind
28+阅读 · 2019年5月18日
R工程化—Rest API 之plumber包
R语言中文社区
11+阅读 · 2018年12月25日
A Technical Overview of AI & ML in 2018 & Trends for 2019
待字闺中
17+阅读 · 2018年12月24日
已删除
将门创投
3+阅读 · 2018年6月20日
Hierarchical Imitation - Reinforcement Learning
CreateAMind
19+阅读 · 2018年5月25日
分布式TensorFlow入门指南
机器学习研究会
4+阅读 · 2017年11月28日
【推荐】RNN/LSTM时序预测
机器学习研究会
25+阅读 · 2017年9月8日
【学习】Hierarchical Softmax
机器学习研究会
4+阅读 · 2017年8月6日
Arxiv
3+阅读 · 2018年10月18日
VIP会员
相关资讯
Hierarchically Structured Meta-learning
CreateAMind
26+阅读 · 2019年5月22日
Transferring Knowledge across Learning Processes
CreateAMind
28+阅读 · 2019年5月18日
R工程化—Rest API 之plumber包
R语言中文社区
11+阅读 · 2018年12月25日
A Technical Overview of AI & ML in 2018 & Trends for 2019
待字闺中
17+阅读 · 2018年12月24日
已删除
将门创投
3+阅读 · 2018年6月20日
Hierarchical Imitation - Reinforcement Learning
CreateAMind
19+阅读 · 2018年5月25日
分布式TensorFlow入门指南
机器学习研究会
4+阅读 · 2017年11月28日
【推荐】RNN/LSTM时序预测
机器学习研究会
25+阅读 · 2017年9月8日
【学习】Hierarchical Softmax
机器学习研究会
4+阅读 · 2017年8月6日
Top
微信扫码咨询专知VIP会员