Быстро разреженный булев матричный продукт с возможной предварительной обработкой

Каковы наиболее практически эффективные алгоритмы умножения двух очень разреженных логических матриц (скажем, N = 200 и всего 100-200 ненулевых элементов)?

На самом деле, у меня есть преимущество в том, что когда я умножаю A на B, B заранее определены, и я могу выполнять произвольную сложную предварительную обработку на них. Я также знаю, что результаты продуктов всегда так же скудны, как и исходные матрицы.

«Довольно наивный» алгоритм (сканирование A по строкам; для каждого 1 бита A-строки, ИЛИ результата с соответствующей строкой B) оказывается очень эффективным и требует только нескольких тысяч инструкций ЦП для вычисления одного продукта. поэтому его будет непросто превзойти, и его можно превзойти только по постоянному коэффициенту (потому что в результате сотни битов). Но я не теряю надежды и прошу сообщество помочь :)

ds.algorithms matrix-product sparse-matrix boolean-matrix implementation jkff
источник

Я сомневаюсь, что мы можем значительно превзойти константу в 10 машинных инструкций на слово вывода. Возможно ли, что какая-то неявная форма вывода будет приемлемой?

Уоррен Шуди

Да, до тех пор, пока его можно умножить на Bs.

jkff

На каких операциях сложения и умножения (для битов) определяется матричное умножение? Ваш наивный алгоритм предполагает, что ответ - «или» и «и» соответственно, но это довольно странное умножение матриц, поскольку они не определяют поле. Вы имеете в виду «xor» вместо «или»?

Уоррен Шуди

Нет, я имею в виду «или» и «и». Мне не нужны операции для определения поля, это на самом деле проблема, связанная с достижимостью графа (я вычисляю композицию нескольких функций «один ко многим»).

JKFF

Ответы:

Я не хотел на это отвечать, потому что единственный теоретический результат, о котором я знаю в этом духе, - это мое имя на бумаге ...

$n \times n$ $A$ $A$ $n$

(Примечание: этот алгоритм действительно полезен только для случая, когда одна матрица является плотной, а другая - разреженной. Этот случай часто встречается, хотя, например, при вычислении транзитивного замыкания разреженного графа матрица транзитивного замыкания в конечном итоге становится плотной по сравнению с исходной матрицей смежности.)

Бумага

Гай Э. Блеллох, Вирджиния Василевская, Райан Уильямс: новый комбинаторный подход для задач разреженных графов. ICALP (1) 2008: 108-120

$\varepsilon > 0$ $O(n^{2+\varepsilon})$ $n \times n$ $A$

$v$ $t$ $A v$ $O(n(t/k + n/\ell)/\log n)$ $\ell$ $k$ ${\ell \choose k} \leq n^{\varepsilon}$ $\ell=\log^c n$ $k=\varepsilon(\log n)/\log \log n$ $nt/\log n + n^2/\log^c n$ $c$

$A$ $O(n^{1+\varepsilon})$

Мы использовали эту структуру данных, чтобы дать более быстрые теоретические алгоритмы для APSP в разреженных невзвешенных графах.

Райан Уильямс
источник

Я только что заметил, что вы также предполагаете, что результат умножения матриц также невелик. В этом случае есть еще более быстрые алгоритмы; выполнить поиск в сети для «умножения матрицы с учетом вывода».

Райан Уильямс

{- 1, 0, 1}

$\{-1, 0, 1\}$

Я думаю, что вы называете «гиперразделенной» матрицей (nnz <n). Несколько лет назад я написал статью о том, как их умножить. По сути, это соединение внешнего продукта с умным многофакторным объединением, чтобы исключить реализацию промежуточных троек.

Булук и Гилберт, IPDPS 2008: http://gauss.cs.ucsb.edu/publication/hypersparse-ipdps08.pdf

Айдын Булук
источник