局部搜索在双倍指标下为 k-Means 提供 PTAS
本研究采用图谱分析的方法,证明了欧几里得 k-means 问题的近似难度对于所有的 k 和 d 都是 NP 难的,同时发现当前最佳难度结果可以被推广到三角免费图中。
Feb, 2015
本文研究了度量实例的本地搜索算法,针对设备位置问题:无容量设备位置问题(UFL),以及 $k$-median,$k$-center 和 $k$-means 的无容量版本。
Sep, 2008
该研究采用原始 - 对偶算法来解决 $k$-means 聚类问题,在满足集群数量限制的同时得到了 6.357 - 近似比的效果,并在欧几里得度量中解决了 $k$-median 的问题。
Dec, 2016
通过考虑更大和更复杂的局部搜索邻域,我们的算法实现了 9 + ε 的逼近比,这是局部搜索的最佳可能性,并且在几个数据集上显著改进了 Lattanzi 和 Sohler(ICML 2019)的方法。
Sep, 2023
本文提出了一种简洁的 EPAS 算法,它能够适用于多种簇集聚类问题,并且包括多种测度空间,算法的关键是新概念限制了标准封闭维数的标准,从而为聚类问题提供了更多可能性。
Apr, 2023
我们提出了一种可扩展的算法来解决由 Jung et al. 和 Mahabadi et al. 引入的个体公平($p$, $k$)- 聚类问题。我们设计了首个快速局部搜索算法,具有~$O (nk^2)$ 的运行时间,并获得了(O (1), 6)的二对象近似解,然后我们通过实验证明了我们的算法不仅比以前的工作快得多,而且产生了更低成本的解决方案。
Feb, 2024
本文介绍了 Robust k-z 聚类和其在度量空间、算法公平性、欧几里得空间和 FPT 近似等领域的应用,提出了相应的算法,其中在特殊的欧几里得空间中得到了较好的近似结果。
May, 2023
研究了 k-means 问题在 Euclidean 空间中寻找 k 个中心使得所有点到离它们最近中心的距离平方和最小,证明了该问题的近似难度是 NP-hard,并且提出了最小近似系数 1.0013。
Sep, 2015
本文提出了一种算法,用于在差分隐私(DP)的一轮(也称非交互式)本地模型中进行 k 均值聚类,该算法实现的逼近比接近于最佳非私有逼近算法,改进了以前已知的仅保证大(常数)逼近比率的算法。此外,这是第一个仅需要一轮本地 DP 模型通信的 k 均值常数逼近算法,积极地解决了 Stemmer(SODA 2020)提出的一个开放性问题。我们的算法框架非常灵活;我们通过展示在(一轮)洗牌 DP 模型中也会产生类似于最优解的逼近算法来证明这一点。
Apr, 2021