We revisit the randomized incremental construction of the Trapezoidal Search DAG (TSD) for a set of $n$ non-crossing segments, e.g. edges from planar subdivisions. It is well known that this point location structure has ${\cal O}(n)$ expected size and ${\cal O}(n \ln n)$ expected construction time. Our main result is an improved tail bound, with exponential decay, for the size of the TSD: There is a constant such that the probability for a TSD to exceed its expected size by more than this factor is at most $1/e^n$. This yields improved bounds on the TSD construction and their maintenance. I.e. TSD construction takes with high probability ${\cal O}(n \ln n)$ time and TSD size can be made worst case ${\cal O}(n)$ with an expected rebuild cost of ${\cal O}(1)$. The proposed analysis technique also shows that the expected depth is ${\cal O}(\ln n)$, which partially solves a recent conjecture by Hemmer et al. that is used in the CGAL implementation of the TSD.


翻译:我们重新审视了用于一组非跨段(如平面分区的边缘)的轨迹搜索DAG(TSD)的随机递增结构,例如,平面小区块的边缘。众所周知,这一点位置结构的预期大小为$cal O}(n)美元,预期建造时间为$cal O}(n = ln)美元。我们的主要结果是,为TSD的大小而改进尾盘绑,并带来指数衰减:有一个常态,因此,TSD超出其预期规模超过这一系数的可能性最多为1美元/en美元。这可以改善TSD的建造及其维护的界限。I.SD的建造以高概率$cal O}(n = ln) 时间和 TSD的大小可能变成最坏的 $cal O}(n) 美元,预计重建成本为$cal O}(1)美元。 拟议的分析技术还表明,预期深度为$_cal O}(n)美元,这将部分解决了HEMAR 和AL 执行的CSD的近期预测。

0
下载
关闭预览

相关内容

专知会员服务
26+阅读 · 2020年9月9日
【清华大学】图随机神经网络,Graph Random Neural Networks
专知会员服务
154+阅读 · 2020年5月26日
深度强化学习策略梯度教程,53页ppt
专知会员服务
178+阅读 · 2020年2月1日
强化学习最新教程,17页pdf
专知会员服务
174+阅读 · 2019年10月11日
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
[综述]深度学习下的场景文本检测与识别
专知会员服务
77+阅读 · 2019年10月10日
Hierarchically Structured Meta-learning
CreateAMind
26+阅读 · 2019年5月22日
目标检测中的Consistent Optimization
极市平台
6+阅读 · 2019年4月23日
【TED】什么让我们生病
英语演讲视频每日一推
7+阅读 · 2019年1月23日
逆强化学习-学习人先验的动机
CreateAMind
15+阅读 · 2019年1月18日
强化学习的Unsupervised Meta-Learning
CreateAMind
17+阅读 · 2019年1月7日
Unsupervised Learning via Meta-Learning
CreateAMind
42+阅读 · 2019年1月3日
A Technical Overview of AI & ML in 2018 & Trends for 2019
待字闺中
16+阅读 · 2018年12月24日
条件GAN重大改进!cGANs with Projection Discriminator
CreateAMind
8+阅读 · 2018年2月7日
【论文】变分推断(Variational inference)的总结
机器学习研究会
39+阅读 · 2017年11月16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3月10日
Arxiv
0+阅读 · 2021年3月8日
Arxiv
0+阅读 · 2021年3月7日
Arxiv
0+阅读 · 2021年3月4日
VIP会员
相关VIP内容
专知会员服务
26+阅读 · 2020年9月9日
【清华大学】图随机神经网络,Graph Random Neural Networks
专知会员服务
154+阅读 · 2020年5月26日
深度强化学习策略梯度教程,53页ppt
专知会员服务
178+阅读 · 2020年2月1日
强化学习最新教程,17页pdf
专知会员服务
174+阅读 · 2019年10月11日
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
[综述]深度学习下的场景文本检测与识别
专知会员服务
77+阅读 · 2019年10月10日
相关资讯
Hierarchically Structured Meta-learning
CreateAMind
26+阅读 · 2019年5月22日
目标检测中的Consistent Optimization
极市平台
6+阅读 · 2019年4月23日
【TED】什么让我们生病
英语演讲视频每日一推
7+阅读 · 2019年1月23日
逆强化学习-学习人先验的动机
CreateAMind
15+阅读 · 2019年1月18日
强化学习的Unsupervised Meta-Learning
CreateAMind
17+阅读 · 2019年1月7日
Unsupervised Learning via Meta-Learning
CreateAMind
42+阅读 · 2019年1月3日
A Technical Overview of AI & ML in 2018 & Trends for 2019
待字闺中
16+阅读 · 2018年12月24日
条件GAN重大改进!cGANs with Projection Discriminator
CreateAMind
8+阅读 · 2018年2月7日
【论文】变分推断(Variational inference)的总结
机器学习研究会
39+阅读 · 2017年11月16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