Generalizing the Layering Method of Indyk and Woodruff阅读笔记

< Generalizing the Layering Method of Indyk and Woodruff: Recursive Sketches for Frequency-Based Vectors on Streams> 阅读笔记

频数距: frequency moment
信息流: stream
重型元素: heavy element
$[n]=[1,2,\cdots ,n]$
$\alpha$-核心: $\alpha$-core

定义1. 令$m,n$均为正整数. 信息流$D=D(n,m)$是一个长度为$m$的序列 $[p_1,p_2,\cdots ,p_m]$. 其中, p i ∈ { 1 , 2 , ⋯   , n } p_i\in \{1, 2, \cdots, n\} pi​∈{ 1,2,⋯,n}. 信息流$D$的频数向量为$[f_1,f_2,\cdots ,f_n]$. 其中, f i = ∣ { p j ∣ p j = i , 1 ≤ j ≤ m } ∣ f_i = \vert\{p_j | p_j = i, 1\le j \le m\}\vert fi​=∣{ pj​∣pj​=i,1≤j≤m}∣.

定义2. 信息流$D$的第$k$频数距可定义为$F_k(D)={\sum }_{i=1}^n{f}_i^k$. $F_k(D)$也可称为信息流$D$的L-k范式.

定义3. 令$V=[v_1,v_2,\cdots ,v_n]$, 其中$\forall i\in [n],v_i\ge 0$. $|V|={\sum }_{i=1}^n{v}_i$. 如果$v_i\ge \alpha V$, 则$v_i$是$V$的一个$\alpha$-重型元素, 其中$0\le \alpha \le 1$. 对于任意$v_i$, 如果$v_i$是$V$的$\alpha$重型元素, 则$i\in S$, 则我们称$S$为$V$的一个$\alpha$-核心.

引理1. 令$V\in R^{[}n]$为一个$n$维向量, $S$是$V$的一个$\alpha$核心. 同时令$H=(h_1,h_2,\cdots ,h_n)$为一个随机0-1向量, 即$\forall i\in [n],P(h_i=0)=P(h_i=1)=\frac{1}{2}$, 且$H$的各个分量相互独立. 设
$$X=\sum _{i\in S}{v}_i+2\sum _{i\notin S}{h}_i{v}_i$$
则有$P(|X-|V||\ge ϵ|V|)\le \frac{\alpha }{{ϵ}^2}$.
证明: 首先,
$$E(X)=E(\sum _{i\in S}{v}_i+2\sum _{i\notin S}{h}_i{v}_i)=\sum _{i\in S}{v}_i+2\sum _{i\notin S}{v}_{i}E(h_i)=\sum _{i\in S}{v}_i+\sum _{i\notin S}{v}_i=|V|$$
同时,
$$Var(X)=Var(\sum _{i\in S}{v}_i+2\sum _{i\notin S}{h}_i{v}_i)=4\sum _{i\notin S}{v}_i^{2}Var(h_i)$$
而$Var(h_i)=\frac{1}{4}$, 所以 V a r ( X ) = ∑ i ∉ S v i 2 Var(X) = \sum_{i\notin S}v_i^2 <