Clustering Problems on Sliding Windows
Identifikátory výsledku
Kód výsledku v IS VaVaI
<a href="https://www.isvavai.cz/riv?ss=detail&h=RIV%2F00216208%3A11320%2F16%3A10316200" target="_blank" >RIV/00216208:11320/16:10316200 - isvavai.cz</a>
Výsledek na webu
<a href="http://dx.doi.org/10.1137/1.9781611974331.ch95" target="_blank" >http://dx.doi.org/10.1137/1.9781611974331.ch95</a>
DOI - Digital Object Identifier
<a href="http://dx.doi.org/10.1137/1.9781611974331.ch95" target="_blank" >10.1137/1.9781611974331.ch95</a>
Alternativní jazyky
Jazyk výsledku
angličtina
Název v původním jazyce
Clustering Problems on Sliding Windows
Popis výsledku v původním jazyce
We explore clustering problems in the streaming sliding window model in both general metric spaces and Euclidean space. We present the first polylogarithmic space O(1)-approximation to the metric k-median and metric k-means problems in the sliding window model, answering the main open problem posed by Babcock, Datar, Motwani and O'Callaghan [5], which has remained unanswered for over a decade. Our algorithm uses O(k3 log6 W) space and poly(k, log W) update time, where W is the window size. This is an exponential improvement on the space required by the technique due to Babcock, et al. We introduce a data structure that extends smooth histograms as introduced by Braverman and Ostrovsky [11] to operate on a broader class of functions. In particular, we show that using only polylogarithmic space we can maintain a summary of the current window from which we can construct an O(1)-approximate clustering solution.
Název v anglickém jazyce
Clustering Problems on Sliding Windows
Popis výsledku anglicky
We explore clustering problems in the streaming sliding window model in both general metric spaces and Euclidean space. We present the first polylogarithmic space O(1)-approximation to the metric k-median and metric k-means problems in the sliding window model, answering the main open problem posed by Babcock, Datar, Motwani and O'Callaghan [5], which has remained unanswered for over a decade. Our algorithm uses O(k3 log6 W) space and poly(k, log W) update time, where W is the window size. This is an exponential improvement on the space required by the technique due to Babcock, et al. We introduce a data structure that extends smooth histograms as introduced by Braverman and Ostrovsky [11] to operate on a broader class of functions. In particular, we show that using only polylogarithmic space we can maintain a summary of the current window from which we can construct an O(1)-approximate clustering solution.
Klasifikace
Druh
D - Stať ve sborníku
CEP obor
IN - Informatika
OECD FORD obor
—
Návaznosti výsledku
Projekt
<a href="/cs/project/GBP202%2F12%2FG061" target="_blank" >GBP202/12/G061: Centrum excelence - Institut teoretické informatiky (CE-ITI)</a><br>
Návaznosti
P - Projekt vyzkumu a vyvoje financovany z verejnych zdroju (s odkazem do CEP)
Ostatní
Rok uplatnění
2016
Kód důvěrnosti údajů
S - Úplné a pravdivé údaje o projektu nepodléhají ochraně podle zvláštních právních předpisů
Údaje specifické pro druh výsledku
Název statě ve sborníku
Proceedings of the Twenty-Seventh Annual ACM-SIAM Symposium on Discrete Algorithms
ISBN
978-1-61197-433-1
ISSN
—
e-ISSN
—
Počet stran výsledku
17
Strana od-do
1374-1390
Název nakladatele
SIAM
Místo vydání
Neuveden
Místo konání akce
Arlington, Virginia, USA
Datum konání akce
10. 1. 2016
Typ akce podle státní příslušnosti
WRD - Celosvětová akce
Kód UT WoS článku
—