This paper presents a comprehensive study of algorithms for maintaining the number of all connected four-vertex subgraphs in a dynamic graph. Specifically, our algorithms maintain the number of any four-vertex subgraph, which is not a clique, in deterministic amortized update time $\mathcal{O}(m^{1/2})$, resp., $\mathcal{O}(m^{2/3})$. Queries can be answered in constant time. For length-3 paths, paws, 4-cycles, and diamonds these bounds match or are not far from (conditional) lower bounds: Based on the OMv conjecture we show that any dynamic algorithm that detects the existence of length-3 paths, 4-cycles, diamonds, or 4-cliques takes amortized update time $\Omega(m^{1/2-\delta})$. Additionally, for 4-cliques and all connected induced subgraphs, we show a lower bound of $\Omega(m^{1-\delta})$ for any small constant $\delta > 0$ for the amortized update time, assuming the static combinatorial 4-clique conjecture holds. This shows that the $\mathcal{O}(m)$ algorithm by Eppstein et al. [9] for these subgraphs cannot be improved by a polynomial factor.


翻译:本文展示了用于在动态图中维持所有连接的四面体子图数的算法的全面研究。 具体地说, 我们的算法保持了四个顶点子图数, 而不是球形, 在确定性摊销更新时间$\ mathcal{O} (m ⁇ 1/2}) $, 重写, $\ mathcal{O} (m ⁇ 2/3}) $。 Query 可以以恒定时间回答 。 对于长度 - 3 路径、 爪子、 4 周期和 钻石, 这些界限匹配或离( 有条件) 下限不远 : 基于 OMv 猜测, 我们显示任何检测长度 - 3 路径、 4 循环、 钻石或 4 级更新时间值的动态算法 。 此外, 对于 4 - cliqueriquequeques (m=1-\\\\ delta) a- minal adal_ a- cal am am), 我们显示一个固定的直径 Qal- am_ am_ adal_ am_ adal_ a_ a_ adal_ a_ a_ a_ a_ a_ axl_ axl_ axl_ axxxxxl_ axxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxx

0
下载
关闭预览

相关内容

专知会员服务
50+阅读 · 2021年5月19日
Linux导论,Introduction to Linux,96页ppt
专知会员服务
77+阅读 · 2020年7月26日
【阿尔托大学】图神经网络,Graph Neural Networks,附60页ppt
专知会员服务
181+阅读 · 2020年4月26日
《DeepGCNs: Making GCNs Go as Deep as CNNs》
专知会员服务
30+阅读 · 2019年10月17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
分布式并行架构Ray介绍
CreateAMind
9+阅读 · 2019年8月9日
Transferring Knowledge across Learning Processes
CreateAMind
27+阅读 · 2019年5月18日
弱监督语义分割最新方法资源列表
专知
9+阅读 · 2019年2月26日
利用动态深度学习预测金融时间序列基于Python
量化投资与机器学习
18+阅读 · 2018年10月30日
【推荐】自然语言处理(NLP)指南
机器学习研究会
35+阅读 · 2017年11月17日
Capsule Networks解析
机器学习研究会
11+阅读 · 2017年11月12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
Arxiv
0+阅读 · 2021年8月31日
Arxiv
0+阅读 · 2021年8月29日
Arxiv
3+阅读 · 2018年2月11日
VIP会员
相关VIP内容
相关资讯
分布式并行架构Ray介绍
CreateAMind
9+阅读 · 2019年8月9日
Transferring Knowledge across Learning Processes
CreateAMind
27+阅读 · 2019年5月18日
弱监督语义分割最新方法资源列表
专知
9+阅读 · 2019年2月26日
利用动态深度学习预测金融时间序列基于Python
量化投资与机器学习
18+阅读 · 2018年10月30日
【推荐】自然语言处理(NLP)指南
机器学习研究会
35+阅读 · 2017年11月17日
Capsule Networks解析
机器学习研究会
11+阅读 · 2017年11月12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
Top
微信扫码咨询专知VIP会员