几种 Proximity Graphs 的单调性分析

引言

最近，基于近邻图的近似最近邻搜索算法（ANNS）取得了最优的效率和精度权衡。在图索引上，路径的单调性对相关ANNS算法的搜索性能起着至关重要的影响。几种当前最优的ANNS算法比如HNSW，NSG普遍能使搜索路径尽可能的单调递减，从而避免由于“绕远路”而降低搜索效率。本文介绍的几种proximity graphs是这些ANNS算法的基础，与当前的实用算法相比，这些proximity graphs有着严格的形式化定义，这给理论分析相关性质带来便利，从而也给实用的ANNS算法提供理论保证和优化方向。接下来，我们主要分析proximity graphs的单调性，proximity graphs包括德劳内图（Delaunay Graph, 它与voronoi diagram对偶）、Relative Neighborhood Graph (RNG)、Gabriel Graph (GG)、Minimum Spanning Trees (MST)。

首先给出结论：Delaunay Graph 是单调的图，而RNG, GG和MST都不是单调的图。

何为图的单调性

在此之前，我们需要先了解一下什么是单调路径？对于图G上的一个m个依次邻接的顶点形成的路径$(v_1,v_2,\cdots ,v_m)$，若$dist(v_1,v_m)>dist(v_2,v_m)>\cdots >dist(v_{m-1},v_m)$，则该路径是一条单调路径，$dist(,)$表示两个顶点之间的距离。如果一个图G的任意两个顶点之间均存在单调路径，则图G便是单调图了。

如何证明一个图不是单调的

只需要举一个反例就行了。任意画几个点，分别根据RNG, GG和MST的定义建立相应的图结构，很容易找到不存在单调路径的例子。

证明DG是单调的

下面证明DG是单调的。在此之前先给出一个定理。

定理1. 对于DG中的任意两个顶点$v_a$和$v_j$，存在一个德劳内边$e_{ak}$满足$d(v_k,v_j)<d(v_a,v_j)$。

证明：给定在数据集S上的DG。$v_a$可能在DG的边界（如图1(a)）或在DG的内部（如图1(b)）两种情况。但无论哪一种情况，$v_a$对应的Voronoi diagram（图1中虚线围成的绿色多边形区域，记为$V(v_a)$）都不包含其它点（这是由定义保证的），所以$v_j$一定落在$V(v_a)$外面。因此，连接$v_a$和$v_j$的线段一定经过$V(v_a)$的至少一条边。记这条边为$e_{ak}$的垂直平分线$h_{ak}$，$v_j$和$v_k$在$h_{ak}$的同一侧，故$d(v_k,v_j)<d(v_a,v_j)$。

图1 (a)$v_a$位于边界，(b)$v_a$位于内部

下面证明DG是单调的。

证明：我们只需证明DG中的任意两个点$v_a$和$v_j$，总存在一条由$v_a$至$v_j$的单调路径。若$v_j$是$v_a$的邻居，则单调路径是显然的。接下来，我们考虑$v_a$与$v_j$不邻接的情况。根据定理1，存在一条边$e_{a{k}_1}$，满足$d(v_{k_1},v_j)<d(v_a,v_j)$，存在边$e_{k_1{k}_2}$，满足$d(v_{k_2},v_j)<d(v_{k_1},v_j)$ … …，最终，存在边$e_{k_{i}j}$，满足$d(v_j,v_j)<d(v_{k_i)},v_j)$。从而路径$(v_a,v_{k_1},\cdots ,v_{k_i},v_j)$满足$d(v_a,v_j)>d(v_{k_1},v_j)>d(v_{k_2},v_j)>\cdots >d(v_{k_i},v_j)>d(v_j,v_j)$，即是一条单调路径。

RNG几乎是单调的

虽然不能确保RNG是单调的，但在大部分情况下RNG是单调的，而且RNG是几乎所有单调图的子图。

图2 边$e_{ik}$不属于RNG

如图2所示，边$e_{ij}\in$ RNG，则$lune(i,j)$（红色圆弧包围的部分）是空的，即里面没有其它点（RNG的定义决定的）。因此，一条从$v_i$至$v_j$且不包含$e_{ij}$的单调路径的中间点必然落在红色圆弧上，即图3所示的$v_{k_1}$。

图3 边$e_{ij}$是冗余边

在图3中，$(v_i,v_{k_1},v_j)$是单调路径，此时，$e_{ij}$就是冗余边，因为可通过其它单调路径由$v_i$到$v_j$。因此，就RNG而言，若存在冗余边，则可替代单调路径的中间点必须落在图2的红色圆弧上，发生这种情况的概率是非常小的。

参考文献

Kurup, G. D. (1992). A database organized on the basis of similarities with applications in computer vision.

博客地址：mzwang.top