在近乎最优时空下估计数据流的小矩

对于每个 $p \in (0,2]$，我们提出一种随机算法，该算法返回数据流 $F_p = \sum_{i = 1}^n \abs{f_i}^p$ 的 $p$ 阶频率矩的 $\epsilon$-近似。该算法需要空间 $O(\epsilon^{-2} \log (mM)(\log n))$，并使用时间 $O((\log n) (\log \epsilon^{-1}))$ 处理每次流更新。它在空间（下界 $O(\epsilon^{-2} \log (mM))$）和时间方面均近乎最优，并且是首个具有这些性质的算法。该技术使用适当的阈值将重击者与流中的剩余项分离，并分别估计重击者和轻元素对 $F_p$ 的贡献。一个关键组成部分是设计一个无偏估计量 $\abs{f_i}^p$，其数据结构具有低更新时间和低方差。