数学 > 概率
[提交于 2025年10月29日
]
标题: 从$\ell_2$到$\ell_p$的快速降维
标题: Fast Dimensionality Reduction from $\ell_2$ to $\ell_p$
摘要: 约翰逊-林德勒斯特拉姆(JL)引理是降维中的一个基本结果,确保任何有限集合$X \subseteq \mathbb{R}^d$可以嵌入到一个较低维度的空间$\mathbb{R}^k$中,同时近似保留所有成对的欧几里得距离。 近年来,当在目标空间中通过$\ell_1$范数测量时,能够保持欧几里得距离的嵌入方法由于其在高维最近邻搜索等应用中的相关性而受到越来越多的关注。 迪尔克森、门德尔斯和斯托伦韦克最近的突破性工作建立了具有计算复杂度$O(d \log d)$的最优$\ell_2 \to \ell_1$嵌入。 在本工作中,我们推广了这一方向,并基于Ailon和Liberty的构造,提出了一种从$\ell_2$到$\ell_p$的简单线性嵌入,适用于任何$p \in [1,2]$。我们的方法在$k \leq d^{1/4}$时实现了减少的运行时间$O(d \log k)$,在目标维度较小时优于之前的运行时间结果。 此外,我们证明对于目标空间中的\emph{任何范数} $\|\cdot\|$ ,任何将$(\mathbb{R}^d, \|\cdot\|_2)$嵌入到$(\mathbb{R}^k, \|\cdot\|)$且失真为$\varepsilon$的嵌入通常需要$k = \Omega\big(\varepsilon^{-2} \log(\varepsilon^2 n)/\log(1/\varepsilon)\big)$,这与$\ell_2$情况下的最优界在对数因子范围内一致。
文献和引用工具
与本文相关的代码,数据和媒体
alphaXiv (什么是 alphaXiv?)
CatalyzeX 代码查找器 (什么是 CatalyzeX?)
DagsHub (什么是 DagsHub?)
Gotit.pub (什么是 GotitPub?)
Hugging Face (什么是 Huggingface?)
带有代码的论文 (什么是带有代码的论文?)
ScienceCast (什么是 ScienceCast?)
演示
推荐器和搜索工具
arXivLabs:与社区合作伙伴的实验项目
arXivLabs 是一个框架,允许合作伙伴直接在我们的网站上开发和分享新的 arXiv 特性。
与 arXivLabs 合作的个人和组织都接受了我们的价值观,即开放、社区、卓越和用户数据隐私。arXiv 承诺这些价值观,并且只与遵守这些价值观的合作伙伴合作。
有一个为 arXiv 社区增加价值的项目想法吗? 了解更多关于 arXivLabs 的信息.