Алгоритм WormHole демонстрирует, что эффективная маршрутизация в крупных графах может быть достигнута с минимальной погрешностью и ограниченными запросами. Поддерживая сублинейное "внутреннее кольцо", которое по-прежнему содержит ядро Чанга-Лу, WormHole обеспечивает отклонение маршрутов не более чем на O(log log n) от истинного кратчайшего пути, даже в наихудших сценариях. В статье дополнительно ограничивается сложность запросов в модели запросов узлов, доказывая, что результаты высокой точности могут быть получены с использованием лишь части затрат на исследование.Алгоритм WormHole демонстрирует, что эффективная маршрутизация в крупных графах может быть достигнута с минимальной погрешностью и ограниченными запросами. Поддерживая сублинейное "внутреннее кольцо", которое по-прежнему содержит ядро Чанга-Лу, WormHole обеспечивает отклонение маршрутов не более чем на O(log log n) от истинного кратчайшего пути, даже в наихудших сценариях. В статье дополнительно ограничивается сложность запросов в модели запросов узлов, доказывая, что результаты высокой точности могут быть получены с использованием лишь части затрат на исследование.

Понимание ошибки аппроксимации и сложности запросов в маршрутизации WormHole

2025/10/16 20:00

Резюме и 1. Введение

1.1 Наш вклад

1.2 Настройка

1.3 Алгоритм

  1. Связанные работы

  2. Алгоритм

    3.1 Фаза структурной декомпозиции

    3.2 Фаза маршрутизации

    3.3 Варианты WormHole

  3. Теоретический анализ

    4.1 Предварительные сведения

    4.2 Сублинейность внутреннего кольца

    4.3 Ошибка аппроксимации

    4.4 Сложность запросов

  4. Экспериментальные результаты

    5.1 WormHole𝐸, WormHole𝐻 и BiBFS

    5.2 Сравнение с методами на основе индексов

    5.3 WormHole как примитив: WormHole𝑀

Ссылки

4.3 Ошибка аппроксимации

Теперь, когда у нас есть сублинейное внутреннее кольцо, содержащее ядро Чунг-Лу, мы должны показать, что маршрутизация путей через него влечет лишь небольшой штраф. Интуитивно понятно, что чем больше внутреннее кольцо, тем легче это удовлетворить: если внутреннее кольцо - это весь граф, утверждение выполняется тривиально. Поэтому задача заключается в том, чтобы показать, что мы можем достичь сильной гарантии в отношении точности даже с сублинейным внутренним кольцом. Мы доказываем, что WormHole влечет аддитивную ошибку не более 𝑂(loglog𝑛) для всех пар, что намного меньше диаметра Θ(log𝑛).

\

\ Вышеуказанный результат справедлив с высокой вероятностью даже в худшем случае. А именно, для всех пар (𝑠,𝑡) вершин в графе длина пути, возвращаемого WormHole, не более чем на 𝑂(loglog𝑛) превышает фактическое расстояние между 𝑠 и 𝑡. Это тривиально означает, что средняя аддитивная ошибка WormHole с высокой вероятностью ограничена той же величиной.

\

\

4.4 Сложность запросов

Вспомним модель запросов узлов в этой статье (см. §1.2): начиная с одного узла, нам разрешено итеративно делать запросы, где каждый запрос извлекает список соседей выбранного нами узла 𝑣. Нас интересует сложность запросов, т.е. количество запросов, необходимых для выполнения определенных операций.

\ \

\ \ Первый результат - это верхняя граница нашей производительности.

\ \

\ \ Набросок доказательства. Для данного запроса SP(𝑢, 𝑣) мы даем верхнюю границу сложности запросов BFS, который начинается с 𝑢, и аналогично для 𝑣; общая сложность запросов - это сумма этих двух величин.

\ \

\ \ \

\ \ \

\ \ \

\ \ \

\ \

:::info Авторы:

(1) Talya Eden, Университет Бар-Илан ([email protected]);

(2) Omri Ben-Eliezer, MIT ([email protected]);

(3) C. Seshadhri, UC Santa Cruz ([email protected]).

:::


:::info Эта статья доступна на arxiv под лицензией CC BY 4.0.

:::

\

Отказ от ответственности: Статьи, размещенные на этом веб-сайте, взяты из общедоступных источников и предоставляются исключительно в информационных целях. Они не обязательно отражают точку зрения MEXC. Все права принадлежат первоисточникам. Если вы считаете, что какой-либо контент нарушает права третьих лиц, пожалуйста, обратитесь по адресу [email protected] для его удаления. MEXC не дает никаких гарантий в отношении точности, полноты или своевременности контента и не несет ответственности за любые действия, предпринятые на основе предоставленной информации. Контент не является финансовой, юридической или иной профессиональной консультацией и не должен рассматриваться как рекомендация или одобрение со стороны MEXC.

Вам также может быть интересно

Tether представила конкурента Apple Health с шифрованием и локальным ИИ

Tether представила конкурента Apple Health с шифрованием и локальным ИИ

Стоящая за USDT компания Tether представила платформу для сбора и анализа медицинских данных — QVAC Health.  Tether Unveils QVAC Health: the Universal, Privacy-First Hub for Your Wellness DataRead more: https://t.co/hcsa1sKApz— Tether (@Tether_to) December 10, 2025 Сервис агрегирует информацию с фитнес-трекеров, умных часов и приложений для питания в единой защищенной среде. Архитектура построена на принципе локальной обработки: алгоритмы анализируют активность, сон и питание прямо на устройстве, не передавая информацию на внешние серверы. Интерфейс платформы поддерживает ввод данных о состоянии здоровья, тренировках и питании с использованием естественного языка — через текстовые сообщения или голосовые команды.  Встроенный ИИ распознает контекст записей (например, «снижение энергии после приема пищи» или параметры силовой тренировки) и автоматически структурирует их в хронологической ленте пользователя. Отдельный модуль отвечает за учет медикаментов и напоминания. В QVAC Health также интегрировано компьютерное зрение. По фотографии еды алгоритм за несколько секунд рассчитывает примерную калорийность и состав макронутриентов. ИИ-модели для глубокой аналитики загружаются через децентрализованные P2P-сети. Это позволяет оценивать восстановление и выявлять тренды в автономном режиме без постоянного подключения к интернету. Планы  Согласно дорожной карте, в будущем платформа получит инструменты проактивной аналитики. Локальные модели смогут давать персональные рекомендации — например, по корректировке сна или тренировок. Обработка данных будет происходить в реальном времени В дальнейшем разработчики намерены реализовать прямое подключение к трекерам через Bluetooth, минуя облачные системы производителей вроде Apple или Google Fit. По замыслу Tether, QVAC Health — «нейтральная почва для данных о здоровье». По словам гендиректора компании Паоло Ардоино, продукт отражает стратегию развития приватных аналитических инструментов, работающих локально. Новая платформа — часть стратегического проекта QVAC, который курирует подразделение Tether Data. Инициатива направлена на создание децентрализованных ИИ-систем. Презентация проекта состоялась в мае. Напомним, в октябре компания презентовала крупнейший в мире синтетический набор данных для обучения ИИ-моделей Genesis I на QVAC.  В том же месяце Tether запустила инструментарий для разработки кошельков с открытым исходным кодом. 
Поделиться
Forklog2025/12/11 17:05
Комбо Tomarket на 11 Декабря

Комбо Tomarket на 11 Декабря

Прибыльная акция комбо Tomarket подготовила свежий набор карт для погашения! Сегодня, 11 декабря, поклонников тапалки ждут новые приключения и бонусы с комбо Tomarket. Регулярное участие в подобном событии положительно скажется на вашем итоговом результате взаимодействия с проектом. Суть дейлика связана с угадыванием секретного трио тикетов в виде томатов и их сборкой в специальной локации. На […]
Поделиться
Coinspot2025/12/11 17:25