笔记分享: 香港中文大学CSCI5610高级数据结构——最邻近查询

$\text{Approximate Nearest Neighbor Search}$

$\text{1. Doubling Dimension}$

$\text{1.0. Intro}$

1️⃣度量空间$\text{(metric space)}$：可看作距离二元组即$(U,\text{dist})$

1. 点集$U$：
   • 非空且可能无限，其中的元素称之为对象$\text{(object)}$​
   • 对象间的距离：$\text{dist}(e_1,e_2)$，其中$e_1,e_2\in U$
2. 距离函数$\text{dist}$：是一个$U\text{×}U\to {\mathbb{R}}_{\ge 0}$(非负实数)的映射，满足以下条件
   • 自己到自己距离为$\text{0}$，$e\in U\text{→}\text{dist}(e,e)=0$​
   • 任意两点距离大于$\text{1}$，$e_1,e_2\in U\wedge e_1\ne e_2\text{→}\text{dist}(e_1,e_2)\ge 1$
   • 两点间互相距离不变，$e_1,e_2\in U\text{→}\text{dist}(e_1,e_2)=\text{dist}(e_2,e_1)$
   • 满足三角不等式，$e_1,e_2,e_3\in U\text{→}\text{dist}(e_1,e_2)\le \text{dist}(e_1,e_3)+\text{dist}(e_3,e_2)$

2️⃣$\text{Nearest Neighbor Search}$是个啥​

1. 算法输入：$U$中的$n$个对象(即子集$S$)，以及$S$外的一点$q$
2. 算法输出：$n$个对象中使得$\text{dist}(q,e)$最小的对象$e^{\ast }$​
   • 即$\text{dist}(q,e^{\ast })=\underset{e\in S}{\min }\text{dist}(q,e)$​​
   • 称这个对象 $e^{\ast }$ 是 $q$ 的最近邻$\text{(nearest neighbor)}$，$e^{\ast }$不一定唯一

3️⃣$\text{Nearest Neighbor Search}$的解决

1. 理想情况：将$S$预处理为一种数据结构，不论度量空间如何，都可高效得到$\underset{e\in S}{\min }\text{dist}(q,e)$
2. 最坏情况：(朴素方法)计算单个$q\stackrel{一共n组距离}{\leftrightarrow }n$个$e$​之间的距离，选出最大距离
3. 近似情况：$\text{c-}$最近似邻$\text{(c-ANN)}$，即$\{\begin{array}{l}\text{NN: }\text{dist}(q,e)=\text{dist}(q,e^{\ast })\\ \\ \text{c-ANN: }\text{dist}(q,e)\le c\ast \text{dist}(q,e^{\ast })\end{array}$
   • $q$可能有多个$\text{(c-ANN)}$​点，算法一般返回其中任意一个
   • 找到$\text{(c-ANN)}$任然极其困难了，近似条件下的最坏情况仍需计算$n$​次距离
4. $\text{c-ANN}$能够高效解决：
   • 必要条件：$(U,\text{dist})$要满足$U={\mathbb{N}}^d$ 且维度$d$为常数 ($d$维空间)且$\text{dist}$是欧几里得距离
   • 倍增维度：即使$(U,\text{dist})$很难，但特定$S$的$(S,\text{dist})$倍增维度小，其$\text{c-ANN}$也能高效解决

4️⃣$\text{Measure the space and query time of a structure}$​

0. 将对象和距离函数视为黑箱
1. 结构的空间复杂度：结构占用的内存单元数$+$存储的对象数
2. 查询的时间复杂度：$\text{RAM}$原子操作的数量$\text{+}$距离函数$\text{dist}$​被调用的次数

5️⃣纵横比$\text{(aspect ratio): }$ $S$ 中最大和最小成对距离之间的比率

• 即$\Delta (S)=\left(\underset{e_1,e_2\in S}{\sup }\mathrm{dist}\left(e_1,e_2\right)\right)/\left(\underset{\text{distinct }{e}_1,e_2\in S}{\inf }\mathrm{dist}\left(e_1,e_2\right)\right)$

$\text{1.1. Doubling Dimension}$

1️⃣直径：$X$是$U$非空子集，$X$直径是$X$中距离最远的两点的距离，即$\mathrm{diam}(X)=\underset{e_1,e_2\in X}{\sup }\mathrm{dist}\left(e_1,e_2\right)$

2️⃣$2^{\lambda }\text{-}$分割：$X$可被分为$m$个子集$X_1{X}_2...X_m$，且满足$\{\begin{array}{l}m\le 2^{\lambda }\\ \\ \text{diam}(X_i)\le \frac{1}{2}\text{diam}(X)\end{array}$

3️⃣倍增维度

1. 含义：使得每个非空有限子集$X$都可被$2^{\lambda }$-划分的$\lambda$​​

   • 即倍增维度就是最小的那个$\lambda$，使得数量

2. 实例：当$X$含有八个点，满足$\{\begin{array}{l}U\text{=}{\mathbb{N}}^2\\ \\ \text{dist}为欧氏距离\end{array}\to$ 该度量空间的倍增维度为 ${\log }_{2}7<3$

   
   • $D$为覆盖$X$所有点的最小圆(图中实线)，$\text{diam}(D)=\text{diam}(X)$
   • 七个直径为$\frac{1}{2}\text{diam}(X)$的小圈$D_1{D}_2...D_7$(图中虚线)，就可实现对$D$​的全覆盖
   • 将每个$e$分配到(唯一的)小圆盘$D_i$中，由此将$X$分为$X_1{X}_2...X_7$
   • max { diam ( X i ) } ≤ diam ( D i ) = 1 2 diam ( X ) \text{max}\{\text{diam}(X_i)\}\leq{}\text{diam}(D_i)=\cfrac{1}{2}\text{diam}(X) max{diam(Xi​)}≤diam(Di​)=21​diam(X)，所以$X$ 可以被 $2^{{\log }_{2}7}$ 分割

4️⃣在$X\subseteq U$情况下$(X,\text{dist})$的倍增维度$\le (U,\text{dist})$​的倍增维度

$\text{1.2. Two Properties in Metric Space}$

$\text{1.2.1. Balls}$

1️⃣球体：

1. 传统意义：在${\mathbb{R}}^d$中位于 $d$​ 维球体内的点集，比如二维圆/三维球
2. 推广到度量空间：
   • 对于$\forall e\in U$以及半径$r\ge 0$，所有满足$\text{dist}\left(e,e^{\prime }\right)\le r$的$e^{\prime }$集合就是球
   • 记作 B ( e , r ) = { e 1 ′ e 2 ′ . . . e k ′ } B(e, r)=\{e^{\prime}_1e^{\prime}_2...e^{\prime}_k\} B(e,r)={e1′​e2′​...ek′​}

2️⃣球体性质

1. 对于传统球体： 半径为 $r$ 的 $d$ 维球体可以被 $2^{O(d)}$ 个半径为 $\Omega (r)$​​ 的球体覆盖
2. 对度量空间的球体
   • 条件：度量空间$(U,\text{dist})$的倍增维度为$\lambda$，$c$为常数
   • 表述$\text{1: }$任何球体 $B(e,r)$ 都可被至多 $2^{O(\lambda )}$ 个半径为 $\frac{r}{c}$​ 的球体覆盖
   • 表述$\text{2: }\exists e_1,\dots ,e_m\in U$使得$\{\begin{array}{l}m\le 2^{O(\lambda )}\\ \\ B(e,r)\subseteq \bigcup _{i=1}^{m}B\left(e_i,\frac{r}{c}\right)\end{array}$

$\text{1.2.2. Constant Aspect-Ratio Object Sets}$​

1️⃣常数纵横比对象集：$r=1$的球体中可放入最多 $2^{O(d)}$ 个点，并确保任意两点间距离$\ge \frac{1}{2}$

2️⃣引理：度量空间$(X,\text{dist})$的倍增维度为$\lambda$，$X$的纵横比为常数，则$X$最多只有$2^{O(\lambda )}$​个对象

$\text{1.3. A 3-ANN Structure}$

$\text{1.3.0. Inro}$

1️⃣一些要用到的符号

1. $(U,\text{dist})$为基础度量空间，$S\subseteq U$为包含$n\ge 2$个对象的$\text{Input}$​
2. $h=\lceil {\log }_2\text{diam}(S)\rceil$​
3. $\lambda$​为$(S,\text{dist})$​的倍增维数

2️⃣本节讨论的定理：存在结构可在$\{\begin{array}{l}空间复杂度\text{: }{2}^{O(\lambda )}h\\ \\ 时间复杂度\text{: }{2}^{O(\lambda )}hn\end{array}$内回答$\text{3-ANN}$问题

$\text{1.3.1. Sample Nets}$

1️⃣样本网定义：对于$X\subseteq S$，要求$Y$是$X$的$r$-样本网需要满足

1. $Y\subseteq X$
2. $\forall y_1,y_2\in Y$有 $\text{dist}\left(y_1,y_2\right)>r$​
3. $X\subseteq \bigcup _{y\in Y}B(y,r)$即$\forall x\in X,\exists y\in Y$使得$\text{dist}(x,y)\le r$

2️⃣样本网络实例：度量空间为$({\mathbb{N}}^2,\text{dist=Euclidean})$

1. Y ⊆ X ⇒ { Y = { 黑点 } X = { 黑点 + 白点 } Y \subseteq X\Rightarrow\begin{cases}Y=\{黑点\}\\\\X=\{黑点+白点\}\end{cases} Y⊆X⇒⎩ ⎨ ⎧​Y={黑点}X={黑点+白点}​​
2. $\text{dist}\left(y_1,y_2\right)>r\Rightarrow$​单个黑点不能出现在两个圆中
3. $X\subseteq \bigcup _{y\in Y}B(y,r)\Rightarrow$所有点只出现在圆的重叠平面内

$\text{1.3.2. Structure G}$

1️⃣结构的定义

1. 定义每层结点：$Y_i$层的点即为$S$的$2^i$-样本网$(i=0,1,...,h)$​
   • $Y_h$只有一个对象，并且$2^h\ge \text{diam}(S)$
   • 框定$|Y_i|\le n$后，使得$G$的空间复杂度变为了$O(hn)$​
2. 定义结点的连接
   • 对于$y\in Y_i$与$z\in Y_{i-1}$如果满足$\text{dist}(y,z)\le 7\cdot 2^i$则建立有向连接$y⟶z$ ​
   • 用$N_i^{+}(y)$表示 $y$ 的出度$\text{(out-neighbors)}$

2️⃣结构的性质：$\left|N_i^{+}(y)\right|=2^{O(\lambda )}$即$\left|N_i^{+}(y)\right|$随着$\lambda$​的增加指数级增加

$\text{1.3.3. Query}$

1️⃣查询过程

1. 先将$S$转化为图$G$​的结构
2. 对于查询对象$q\in U\backslash S$我们在图$G$中沿某条路径下降(称之为$\pi$)
   • 起始：访问$G$根节点$Y_h$​
   • 下降：$y\in Y_i$与$z\in Y_{i-1}$ 且$i\ge 1$时，按照$\text{dist}(q,z)$​ 最小化原则下降，平局时任选
3. 查询结果即返回$\pi$路径中离$q$最近的一点，即$e^{\ast }$​

2️⃣查询性质

1. 查询的时间复杂度：$\left|N_i^{+}(y)\right|h=2^{O(\lambda )}h$​​
2. 该查询是$q$的$\text{3-ANN}$，即 ∃ e ∈ { y h y h − 1 … y 0 } \exist{}e\in{}\{y_hy_{h-1}\ldots{}y_0\} ∃e∈{yh​yh−1​…y0​}满足$\text{dist}(q,e)\le 3\ast \text{dist}(q,e^{\ast })$

$\text{1.4. Remarks}$

1️⃣结构$G$在度量空间$(U,\text{dist})$倍增维度$\lambda$较小时高效，比如以下情况

1. $({\mathbb{N}}^d,\text{dist=Euclidean})$的倍增维度为$\lambda =O(d)\stackrel{如果d是常数}{\to }O(1)$​
   • 可将$|S|=n$的集合存储在${\mathbb{N}}^d$结构中$\to \{\begin{array}{l}空间复杂度\text{: }O(n\log \Delta (S))\\ \\ 时间复杂度\text{: }O(\log \Delta (S))\end{array}$
2. $({\mathbb{N}}^d,\text{dist=}{L}_t\text{-Norm})$的倍增维度也为$\lambda =O(d)\stackrel{如果d是常数}{\to }O(1)$

2️⃣关于$\lambda$的其它注意事项

1. $\lambda$很大会导致度量空间“困难”，不论输入$S$是什么都无法解决$\text{3-ANN}$​问题
2. $\lambda$只和输入度量空间$(S,\text{dist})$而非基础度量空间$(U,\text{dist})$，所以只需$S\subseteq U$有效就行

3️⃣算法下界：$|S|=n$

1. 最精确的邻近查询：没有结构可以避免计算 q ↔ { e 1 e 2 . . . e n } q\xleftrightarrow{}\{e_1e_2...e_n\} q ​{e1​e2​...en​}即$n$​次距离，下界就是$n$
2. $\text{c-ANN}$查询：当$(S,\text{dist})$的倍增维度是$\lambda$时，下界为$2^{\Omega (\lambda )}\log |S|$

$\text{2. Locality Sensitive Hashing}$

$\text{2.0. Intro}$

1️⃣$\text{LSH}$的优势：在$\lambda$较大的度量空间，也可以高效回答$\text{c-ANN}$查询问题

2️⃣一些预备知识

1. 多重集并集$\text{(multi-set union): }$和普通并集相比区别在于保留重复项
   • 比如 Z 1 = { a , b } 和 Z 2 = { b , c } Z 1 ⇒ Z 1 ∪ Z 2 = { a , b , b , c } Z_1 = \{a, b\}和Z_2 = \{b, c\}Z_1 \Rightarrow{}Z_1\cup Z_2 = \{a, b, b,c\} Z1​={a,b}和Z2​={b,c}Z1​⇒Z1​∪Z2​={a,b,b,c}​
2. $\text{Markov}$不等式：$\text{Pr}[X\ge t\cdot \mathbf{E}[X]]\le \frac{1}{t}$

$\text{2.1. }(r,c)\text{-Near Neighbor Search}$

1️⃣$(r,c)\text{-NN}$​​​概念

1. $r\ge 1$且$c>1$，$S\subseteq U$且$|S|=n$ ，$q\in U$​

2. $(r,c)\text{-NN}$查询返回：令==$D=\text{dist}(q,e_i)$==

   

   $\text{Case}$	$\exists e_i使D\in [0,r]$	$\exists e_i使D\in [r,cr]$	$\exists e_i使D\in [cr,\infty ]$	返回对象
   $\text{Case 1}$	一定	可能	可能	满足$D\le cr$的$e_i$
   $\text{Case 2}$	不可能	不可能	不可能	返回寂寞
   $\text{Case 3}$	不可能	一定	可能	满足$D\le cr$的$e_i$

2️⃣引理：按以下步骤，可回答$S$上所有$c^2\text{-ANN}$查询

1. 条件：对任意$r\ge 1$和$c>1$，我们已经知道了如何在$S$上构建结构来回答$(r,c)\text{-NN}$查询
2. 步骤：
   • 构建$O(\log \text{diam}(S))$个这样的结构
   • 发起$O(\log \text{diam}(S))$个$(r,c)\text{-NN}$查询 ($c$相同但$r$​​不同)

$\text{2.2. Locality Sensitive Hashing}$

1️⃣局部敏感哈希函数定义：核心思想就是将相似的点映射进同一桶，不相似的点映射到不同桶

1. 前提
   • 设$r/c/p_1/p_2$满足$r\ge 1/c>1/0<p_2<p_1\le 1$​
   • $h$是根据某种分布从函数族$H$中抽取的函数
2. 随机函数$h\text{: }U\to \mathbb{N}$是$\left(r,cr,p_1,p_2\right)\text{-LSH}$函数，需满足
   • $\forall x,y\in U\to \{\begin{array}{l}\text{dist}(x,y)\le r\Rightarrow \text{Pr}[h(x)=h(y)]\ge p_1\\ \\ \text{dist}(x,y)>cr\Rightarrow \text{Pr}[h(x)=h(y)]\le p_2\end{array}$​​​​
   • 即两个数据靠得近($\le r$)，哈希冲突到一个桶的概率就大；靠的远($>cr$)则概率就小
3. 此外定义$\left(r,cr,p_1,p_2\right)\text{-LSH}$函数的对数比值为$\rho =\frac{\ln \left(\frac{1}{p_1}\right)}{\ln \left(\frac{1}{p_2}\right)}=\frac{\ln p_1}{\ln p_2}<1$

2️⃣放大引理：若已知如何获得$\left(r,cr,p_1,p_2\right)\text{-LSH}$函数$h$则$\forall \text{int }\ell \ge 1$有$\left(r,cr,p_1^{\ell },p_2^{\ell }\right)\text{-LSH}$函数$g$使

1. $\forall x,g(x)$计算复杂度是$h(x)$的$O(\ell )$倍
2. $g(x)$空间复杂度为$O(\ell )$

3️⃣$\text{LHS}$实例：$({\mathbb{N}}^d,\text{dist=Euclidean})$的$\left(r,cr,p_1,p_2\right)\text{-LSH}$函数

1. 构建
   • 生成$d$个随机变量${\alpha }_1{\alpha }_2...{\alpha }_d$且${\alpha }_i\sim N(0,1)$​
   • 令$\beta >0$依赖于$c$，$\gamma$在$[0,\beta ]$​中均匀随机生成
   • $\forall x\in {\mathbb{N}}^d$定义$h(x)=\text{[}\frac{\gamma +\sum _{i=1}^d\left(\frac{{\alpha }_i\cdot x[i]}{r}\right)}{\beta }\text{]}$​
2. 性质：$p_2$是一个常数，该函数的对数比值$\rho \le \frac{1}{c}$

$\text{2.3. A Structure for }(r,c)\text{-NN Search}$

$\text{2.3.0. Inro}$

1️⃣一些前置条件

1. $S\subseteq U(|S|=n)$
2. 若能够构建$\rho$的$\left(r,cr,p_1,p_2\right)\text{-LSH}$函数，该结构用于在$S$上回答$(r,c)\text{-NN}$查询
3. 记$t_{lsh}$为评估$\left(r,cr,p_1,p_2\right)\text{-LSH}$​函数值所需时间

2️⃣需要证明的定理：存在这样一种结构

1. 复杂度：
   • 空间复杂度：使用$O\left(n^{1+\rho }\cdot {\log }_{\frac{1}{p_2}}n\right)$个内存单元$+$存储$O\left(n^{1+\rho }\right)$个对象
   • 时间复杂度：查询耗时 $O\left(n^{\rho }\cdot {\log }_{\frac{1}{p_2}}n\cdot t_{lsh}\right)+$计算距离耗时$O\left(n^{\rho }\right)$​
2. 效果：能够至少以$\frac{1}{10}$的概率，正确回答一次$(r,c)\text{-NN}$查询

$\text{2.3.1. Structure}$​

1️⃣哈希函数$g_1{g}_2...g_L$：令$\ell \ge 1$和$L\ge 1$为待定的整数，则

• 由函数$h\text{:}\left(r,cr,p_1,p_2\right)\text{-LSH}$放大到为$L$个独立函数$\to \{\begin{array}{l}{g}_1\text{:}\left(r,cr,p_1,p_2\right)\text{-LSH}\\ g_2\text{:}\left(r,cr,p_1^2,p_2^2\right)\text{-LSH}\\ \text{. . . . . . . }\\ g_{\ell }\text{:}\left(r,cr,p_1^{\ell },p_2^{\ell }\right)\text{-LSH}\\ \text{. . . . . . . }\\ g_L\text{:}\left(r,cr,p_1^L,p_2^L\right)\text{-LSH}\end{array}$​

2️⃣桶定义：让所有$x\in S$通过所有哈希函数$g_i$算出哈希值，所有哈希值相同的$x$分到一个桶里

3️⃣哈希表：$T_i$收集了由$g_i$哈希出来的若干非空桶，一共$L$张哈希表$T_1,\dots ,T_L$ 构成了我们的结构

• 空间消耗：$\{\begin{array}{l}内存单元\text{: }O(n\cdot L\cdot \ell )\\ \\ 对象\text{: }O(n\cdot L)\end{array}\to$令$\{\begin{array}{l}\ell ={\log }_{\frac{1}{p_2}}n\\ \\ L=n^{\rho }\end{array}\to$空间复杂度符合$\text{Intro}$中的定理

$\text{2.3.2. Query }$​

1️⃣查询信息：对$q\in U\text{/}S$执行$(r,c)\text{-NN}$查询

2️⃣查询步骤

1. 让$q$分别通过$g_1{g}_2...g_L$哈希函数，分别被分进桶$g_1(q)g_2(q)...g_L(q)$记作$b_1{b}_2...b_L$
2. 让$Z=$ 在$b_1{b}_2...b_L$的多重集并集中任选$2L+1$个
   • 特殊情况：如果$\sum _{i=1}^L|b_i|\le 4L+1$，则$Z$​会包括所有桶的所有对象
3. 在$Z$中找到距$q$最近的对象$e$，若$\text{dist}(q,e)\le cr$则返回$e$​

3️⃣查询时间：$\{\begin{array}{l}原子操作\text{: }O\left(t_{lsh}\cdot \ell \cdot L\right)\\ \\ 计算距离\text{: }O(L)\end{array}\to$令$\{\begin{array}{l}\ell ={\log }_{\frac{1}{p_2}}n\\ \\ L=n^{\rho }\end{array}\to$时间复杂度符合$\text{Intro}$中的定理

$\text{2.3.3. Analysis }$​

0️⃣$\text{Good}$的标准：$x\in S$是$\text{good}\iff \text{dist}(q,x)\le cr$ 否则就为$\text{Bad}$，算法至少返回一个$\text{good}$才成功

1️⃣引理$1\text{: }$查询能被正确回答，需要满足以下两个条件

1. $C1：$$e^{\ast }$至少出现在$b_1,\dots ,b_L$中的一个
2. $C2：$$b_1{b}_2...b_L$的多重集并集中，至少含有$2L$个$\text{bad}$对象

2️⃣引理$2$：$C1$不成立的概率小于$\frac{1}{e}$，即$\text{Pr}\left[e^{\ast }\notin \bigcup _{i=1}^L{b}_i\right]\le \frac{1}{e}$ ，其中这个$e=\mathrm{2.718...}$

3️⃣引理$3$：$C2$不成立的概率小于$\frac{1}{2}$

🤕所以$\mathbf{C}1$和$\mathbf{C}2$同时成立的概率至少为$1-(\frac{1}{e}+\frac{1}{2})>0.1$​

$\text{X. 一些预备知识}$

$\text{X.1. }O/\Omega \text{ Notation}$

1️⃣渐进上界​

渐进类型	含义
$f(n)=O(1)$	$\exists K$使得无论$n$如何变化，都有$f(n)\le K$
$f(n)=O(n)$	$\exists K$使得无论$n$如何变化，都有$f(n)\le Kn$
$f(n)=O(g(n))$	$\exists K$使得无论$n$如何变化，都有$f(n)\le Kg(n)$

2️⃣渐进下界

渐进类型	含义
$f(n)=\Omega (1)$	$\exists K$使得无论$n$如何变化，都有$f(n)\ge K$
$f(n)=\Omega (n)$	$\exists K$使得无论$n$如何变化，都有$f(n)\ge Kn$
$f(n)=\Omega (g(n))$	$\exists K$使得无论$n$如何变化，都有$f(n)\ge Kg(n)$

$\text{X.2. }\text{L-Norm}$

1️⃣$L_t$-范数：$p\in {\mathbb{N}}^d$且$p[i]$表示$p$在维度$i$的坐标，则$pq$间范数为${\left(\sum _{i=1}^d|p[i]-q[i]{|}^t\right)}^{1/t}$

2️⃣$L_2$范数：就是欧几里得距离，即$\{\begin{array}{l}二维\text{: }\sqrt{(p_x-q_x{)}^2+(p_y-q_y{)}^2}\\ \\ 三维\text{: }\sqrt{(p_x-q_x{)}^2+(p_y-q_y{)}^2+(p_z-q_z{)}^2}\end{array}$

$\text{X.3. Adversary Argument}$

1️⃣对抗性论证：算法分析的技巧，用来寻求最坏情况下的复杂度

2️⃣对抗者：算法的执行者，不仅知道算法的策略，并且还尽可能给出使得算法表现最坏的输入