存储与否：一种用于数据集版本控制的图论方法

在本工作中，我们研究了成本效益高的数据版本控制问题，其目标是在给定以数据集为节点、以捕获编辑/增量信息的边构成的图的情况下，优化数据版本的存储和重建（检索）成本。我们研究的一个核心变体是 MinSum Retrieval (MSR)，其目标是在保持存储成本有界的同时最小化总检索成本。这个问题（及其变体）由 Bhattacherjee 等人 [VLDB'15] 提出。虽然此类问题经常出现在协作工具（例如版本控制系统和数据分析管道）中，但据我们所知，现有研究尚未探讨这些问题的理论方面。我们证明了目前最著名的启发式算法 LMG 在简单的最坏情况下表现可能任意差。此外，我们表明，即使将存储约束放宽 $O(\log n)$ 倍，在一般图上获得 MSR 的 $o(n)$ 近似也是困难的。其他变体也显示了类似的硬度结果。同时，受实践中典型编辑操作产生的图通常并非任意的这一事实启发，我们提出了针对树状图的多项式时间近似方案。由于版本图通常具有低树宽，我们进一步开发了针对有界树宽图的新算法。此外，我们提出了两种新的启发式算法并进行了经验评估。首先，我们通过考虑更多潜在的“移动”来扩展 LMG，提出了一种新的启发式算法 LMG-All。LMG-All 在各种数据集（即版本图）上始终优于 LMG，同时具有相当的运行时间。其次，我们将我们的树算法应用于实例的最小存储有向树，生成的算法在 MSR 以及另一个变体 BoundedMin Retrieval (BMR) 方面，在质量上优于所有先前的启发式算法。