当前位置：首页 > news >正文

文献分享: DESSERT基于LSH的多向量检索(Part3.2.外部聚合的联合界)

news 来源：原创 2025/6/11 11:21:33

原论文

文章目录

$\textbf{1. }$ 定理 $\textbf{4.2}$ 的内容
- $\textbf{1.1. }$ 一些符号
- $\textbf{1.2. }$ 定理内容
$\textbf{3. }$ 联合界限
$\textbf{Ps. }$ 运行时间分析

$\textbf{1. }$ 定理 $\textbf{4.2}$ 的内容

$\textbf{1.1. }$ 一些符号

1️⃣一些基础的符号

基本符号：
符号含义
$Q$ 查询集，此处只考虑一个 $Q$ 并且 $Q{=}\{q_1,q_2,...,q_{m_q}\}$ (此处假设 $m_q$ 为常数)，记其子向量为 $q_r{∈}Q$
$S$ 目标集，此处假定每个 ${\mid}S{\mid}{=}m$ (常数)， $S^*$ 与 $Q$ 评分最大(其元素为 $x^*_j{∈}S^*$ )，其余都记为 $S_i$ (其元素为 $x_{ij}{∈}S_i$ )
$N$ 目标集的集即 $D\text{=}\{S_1,...,S_N\}$ ，记其元素为 $S_i{∈}N$

相似度集合
符号含义
${\mathbf{s}}_{ri}$ $q_r$ 与 $\forall{x_{ij}}{∈}S_i$ 的精确相似度的集合，即 ${\mathbf{s}}_{ri}{=}\{\text{Sim}(q_r,x_{i1}),...,\text{Sim}(q_r,x_{im})\}$
$\hat{\mathbf{s}}_{ri}$ $q_r$ 与 $\forall{x_{ij}}{∈}S_i$ 的近似相似度的集合，即 $\hat{\mathbf{s}}_{ri}{=}\{\hat{\text{Sim}}(q_r,x_{i1}),...,\hat{\text{Sim}}(q_r,x_{im})\}$
${\mathbf{s}}_r^*$ $q_r$ 与 $\forall{}x^*_j{∈}S^*$ 的精确相似度的集合，即 ${\mathbf{s}}_{ri}{=}\{\text{Sim}(q_r,x_1^*),...,\text{Sim}(q_r,x_m^*)\}$
$\hat{\mathbf{s}}_r^*$ $q_r$ 与 $\forall{}x^*_j{∈}S^*$ 的近似相似度的集合，即 ${\mathbf{\hat{s}}}_{ri}{=}\{\hat{\text{Sim}}(q_r,x_1^*),...,\hat{\text{Sim}}(q_r,x_m^*)\}$

相似度及其最大值
符号含义
$s_{rij}$ 和 $s_{ri\max}$ $q_r$ 与 $\forall{x_{ij}}{∈}S_i$ 中的 $s_{rij}{=}\text{Sim}(q_r,x_{ij})$ ，其最大值记作 $s_{ri\max}{=}\max({\mathbf{s}}_{ri})$ 且此时向量记为 $x_{ij}^*$
$\hat{s}_{rij}$ 和 $\hat{s}_{ri\max}$ $q_r$ 与 $\forall{x_{ij}}{∈}S_i$ 中的 $\hat{s}_{rij}{=}\hat{\text{Sim}}(q_r,x_{ij})$ ，其最大值记作 $\hat{s}_{ri\max}{=}\max(\hat{{\mathbf{s}}}_{ri})$ 且此时向量记为 $x_{ij}^*$
${s}_{rj}^*$ 和 $s_{r\max}^*$ $q_r$ 与 $\forall{}x^*_j{∈}S^*$ 中的 ${s}_{rj}^*{=}\text{Sim}(q_r,x_j^*)$ ，其最大值记作 $s_{r\max}^*{=}\max({\mathbf{s}}_r^*)$ 且此时向量记为 $x_j^{**}$
$\hat{s}_{rj}^*$ 和 $\hat{s}_{r\max}^*$ $q_r$ 与 $\forall{}x^*_j{∈}S^*$ 中的 $\hat{s}_{rj}^*{=}\hat{\text{Sim}}(q_r,x_j^*)$ ，其最大值记作 $\hat{s}_{r\max}^*{=}\max({\mathbf{\hat{s}}}_r^*)$ 且此时向量记为 $x_j^{**}$

几种聚合：( $w_r$ 为权值)
内部聚合：即 $σ$ 或 $\max$ (最大值聚合)，以 $\sigma$ 为例对不同集合的聚合记作 $σ({\mathbf{s}}_{ri})/σ(\hat{\mathbf{s}}_{ri})/σ({\mathbf{s}}_r^*)/σ(\hat{\mathbf{s}}_r^*)$
外部聚合：聚合 $σ({\mathbf{s}}_{ri})/σ(\hat{\mathbf{s}}_{ri})/σ({\mathbf{s}}_r^*)/σ(\hat{\mathbf{s}}_r^*)$ 得到评分
对 $S_i$ 有： $F\left({Q,S_i}\right)\text{=}\displaystyle{}\frac{1}{m_q}\sum_{r=1}^{m_q}w_rσ({\mathbf{s}}_{ri})$ 和 $\hat{F}\left({Q,S_i}\right)\text{=}\displaystyle{}\frac{1}{m_q}\sum_{r=1}^{m_q}w_rσ({\mathbf{\hat{s}}}_{ri})$
对 $S^*$ 有： ${F}\left({Q,S^*}\right)\text{=}\displaystyle{}\frac{1}{m_q}\sum_{r=1}^{m_q}w_rσ({\mathbf{s}}_r^*)$ 和 $\hat{F}\left({Q,S^*}\right)\text{=}\displaystyle{}\frac{1}{m_q}\sum_{r=1}^{m_q}w_rσ(\hat{\mathbf{s}}_r^*)$

2️⃣定理参数与结论

界限参数：对于 $0\text{<}β\text{≤}1\text{≤}α$
符号含义
$F(Q, S^*)$ 的下界 $B^*$ $B^*\text{=}\displaystyle{}\frac{β}{m_q}\sum_{r=1}^{m_q}w_rs_{r\max}^*$ 即 $S^*$ 的保守估计
$F(Q, S_i)$ 的上界 $B_i$ $B_i\text{=}\displaystyle{}\fracα{m_q}\sum_{r=1}^{m_q}w_r\hat{s}_{ri\max}$ 即 $S_i$ 的乐观估计， $S^*{\notin}\{S_i\}$ 时 $B_i$ 最大值为 $B_{i\max}$ ，及 $\Delta{\text{=}}\cfrac{B^*–B_{i\max}}{3}$

其它参数：(有些是证明过程中的)
符号含义
失败概率 $δ$ 算法的失败概率，目标是以至少 $1{-}δ$ 的概率正确返回 $S^*$
哈希数量 $L$ $\text{DESSERT}$ 中对每个 $q_r{∈}Q$ 和 $x_{ij}{∈}S_i$ 进行 $L$ 次分桶，此处设为 $L\text{=}\displaystyle{}O\left({\log\left(\frac{N{m}_{q}m}{δ}\right)}\right)$
上界 $γ_{ri}$ 关于 $\Delta_{ir}/s_{ri\max}/\tau_{ir}$ 的函数( $\tau_{ri}{=}αs_{ri\max}{+}\Delta_{ri}$ )，当 $\Delta_{ri}$ 固定时最大值 $(γ_{ri})_{\max}{∈}\left(1{-}\cfrac{\Delta_{ri}}{α},1\right)$
指示随机 $\mathbb{1}$ 例如事件 $A$ 发生了则有 $\mathbb{1}_A{=}1$ ，而本文中 $\mathbb{1}{=}1$ 表示所有上界和下界条件同时满足

$\textbf{1.2. }$ 定理内容

1️⃣定理结论：设定 $\Delta\text{＞}0$

第一种表述： $\Pr\left[\forall{i}\left(\hat{F}(Q,S^*){>}\hat{F}(Q,S_i)\right)\right]{≥}1{-}δ$
第一种表述： $\text{DESSERT}$ 算法结构能以 $1{-}δ$ 的概率，返回与 $Q$ 相似度最高的 $S^*\text{=}\mathop{\operatorname{argmax}}\limits_{{i{∈}\{1,\ldots,N\}}}F\left( {Q,S_{i}}\right)$

2️⃣证明思路：要证 $\Pr\left[\forall{i}\left(\hat{F}(Q,S^*){>}\hat{F}(Q,S_i)\right)\right]{≥}1{-}δ$

总体思路：找到一个 $L$ 满足
上界控制：对于所有 $S_i{≠}S^*$ ，确保其估计得分 $\hat{F}(Q,S_i)$ 不超过某个阈值
下界控制：对于 $S^*$ ，确保其估计得分 $\hat{F}(Q,S^*)$ 不低于某个阈值
联合界限：上述条件同时以高概率成立，从而保证 $\hat{F}(Q,S^*){>}\hat{F}(Q,S_i)$

上下界限：当 $L{=}\max\left\{\cfrac{\ln\left(\cfrac{δ}{2(N{-}1)m_qm}\right)}{\ln{\left((γ_{ri})_{\max}\right)}},\cfrac{β^2\ln\left(\cfrac{4m_q}{\delta}\right)}{2\Delta_{ri}^2}\right\}$ 时
上界： $S_i{≠}S^*$ 中共 $N{-}1)m_q$ 个 $q_r$ ，有 $\Pr\left[\forall{q_r}\left({σ(\hat{\mathbf{s}}_{ri}){≥}α s_{ri\max}{+}\Delta_{ri}}\right)\right]{≤}\cfrac{δ}{2}$ 即 $σ(\hat{\mathbf{s}}_{ri})$ 高概率在上界 $αs_{ri\max}{+}\Delta_{ri}$ 下
下界： $S^*$ 中共 $m_q$ 个 $q_r$ ，有 $\Pr\left[\forall{q_r}\left({σ(\hat{\mathbf{s}}_r^*){≤}βs_{r\max}^*{-}\Delta_{ri}}\right)\right]{≤}\cfrac{δ}{2}$ 即 $σ(\hat{\mathbf{s}}_r^*)$ 高概率在下界 $βs_{r\max}^*{-}\Delta_{ri}$ 上

联合界限：保证 $\hat{F}(Q,S^*){>}\hat{F}(Q,S_i)$ 高概率成立
假定： $\mathbb{1}$ 为一个二元指示，当 $\mathbb{1}{=}1$ 时表示上述 $N{-}1)m_q$ 个上界和 $m_q$ 个下界同时成立
上界：对所有 $S_i{≠}S^*$ 中共 $N{-}1)m_q$ 个 $q_r$ ，有 $σ(\hat{\mathbf{s}}_{ri})$ 都在上界 $αs_{ri\max}{+}\Delta_{ri}$ 下
下界：所有 $S^*$ 中共 $m_q$ 个 $q_r$ ，有 $σ(\hat{\mathbf{s}}_r^*)$ 都在下界 $βs_{r\max}^*{-}\Delta_{ri}$ 上

思路：先证明蕴含关系即 $\mathbb{1}{=}1$ 时事件 $\forall{i}\left(\hat{F}(Q,S^*){>}\hat{F}(Q,S_i)\right)$ 成立，再证明 $\Pr(\mathbb{1}{=}1){=}1{-}\delta$

符号	含义
$Q$	查询集，此处只考虑一个 $Q$ 并且 $Q{=}\{q_1,q_2,...,q_{m_q}\}$ (此处假设 $m_q$ 为常数)，记其子向量为 $q_r{∈}Q$
$S$	目标集，此处假定每个 ${\mid}S{\mid}{=}m$ (常数)， $S^$ 与 $Q$ 评分最大(其元素为 $x^_j{∈}S^*$ )，其余都记为 $S_i$ (其元素为 $x_{ij}{∈}S_i$ )
$N$	目标集的集即 $D\text{=}\{S_1,...,S_N\}$ ，记其元素为 $S_i{∈}N$

符号	含义
${\mathbf{s}}_{ri}$	$q_r$ 与 $\forall{x_{ij}}{∈}S_i$ 的精确相似度的集合，即 ${\mathbf{s}}_{ri}{=}\{\text{Sim}(q_r,x_{i1}),...,\text{Sim}(q_r,x_{im})\}$
$\hat{\mathbf{s}}_{ri}$	$q_r$ 与 $\forall{x_{ij}}{∈}S_i$ 的近似相似度的集合，即 $\hat{\mathbf{s}}_{ri}{=}\{\hat{\text{Sim}}(q_r,x_{i1}),...,\hat{\text{Sim}}(q_r,x_{im})\}$
${\mathbf{s}}_r^*$	$q_r$ 与 $\forall{}x^_j{∈}S^$ 的精确相似度的集合，即 ${\mathbf{s}}_{ri}{=}\{\text{Sim}(q_r,x_1^),...,\text{Sim}(q_r,x_m^)\}$
$\hat{\mathbf{s}}_r^*$	$q_r$ 与 $\forall{}x^_j{∈}S^$ 的近似相似度的集合，即 ${\mathbf{\hat{s}}}_{ri}{=}\{\hat{\text{Sim}}(q_r,x_1^),...,\hat{\text{Sim}}(q_r,x_m^)\}$

符号	含义
$s_{rij}$ 和 $s_{ri\max}$	$q_r$ 与 $\forall{x_{ij}}{∈}S_i$ 中的 $s_{rij}{=}\text{Sim}(q_r,x_{ij})$ ，其最大值记作 $s_{ri\max}{=}\max({\mathbf{s}}_{ri})$ 且此时向量记为 $x_{ij}^*$
$\hat{s}_{rij}$ 和 $\hat{s}_{ri\max}$	$q_r$ 与 $\forall{x_{ij}}{∈}S_i$ 中的 $\hat{s}_{rij}{=}\hat{\text{Sim}}(q_r,x_{ij})$ ，其最大值记作 $\hat{s}_{ri\max}{=}\max(\hat{{\mathbf{s}}}_{ri})$ 且此时向量记为 $x_{ij}^*$
${s}_{rj}^$ 和 $s_{r\max}^$	$q_r$ 与 $\forall{}x^_j{∈}S^$ 中的 ${s}_{rj}^{=}\text{Sim}(q_r,x_j^)$ ，其最大值记作 $s_{r\max}^{=}\max({\mathbf{s}}_r^)$ 且此时向量记为 $x_j^{**}$
$\hat{s}_{rj}^$ 和 $\hat{s}_{r\max}^$	$q_r$ 与 $\forall{}x^_j{∈}S^$ 中的 $\hat{s}_{rj}^{=}\hat{\text{Sim}}(q_r,x_j^)$ ，其最大值记作 $\hat{s}_{r\max}^{=}\max({\mathbf{\hat{s}}}_r^)$ 且此时向量记为 $x_j^{**}$

符号	含义
$F(Q, S^)$ 的下界 $B^$	$B^\text{=}\displaystyle{}\frac{β}{m_q}\sum_{r=1}^{m_q}w_rs_{r\max}^$ 即 $S^*$ 的保守估计
$F(Q, S_i)$ 的上界 $B_i$	$B_i\text{=}\displaystyle{}\fracα{m_q}\sum_{r=1}^{m_q}w_r\hat{s}_{ri\max}$ 即 $S_i$ 的乐观估计， $S^{\notin}\{S_i\}$ 时 $B_i$ 最大值为 $B_{i\max}$ ，及 $\Delta{\text{=}}\cfrac{B^–B_{i\max}}{3}$

符号	含义
失败概率 $δ$	算法的失败概率，目标是以至少 $1{-}δ$ 的概率正确返回 $S^*$
哈希数量 $L$	$\text{DESSERT}$ 中对每个 $q_r{∈}Q$ 和 $x_{ij}{∈}S_i$ 进行 $L$ 次分桶，此处设为 $L\text{=}\displaystyle{}O\left({\log\left(\frac{N{m}_{q}m}{δ}\right)}\right)$
上界 $γ_{ri}$	关于 $\Delta_{ir}/s_{ri\max}/\tau_{ir}$ 的函数( $\tau_{ri}{=}αs_{ri\max}{+}\Delta_{ri}$ )，当 $\Delta_{ri}$ 固定时最大值 $(γ_{ri})_{\max}{∈}\left(1{-}\cfrac{\Delta_{ri}}{α},1\right)$
指示随机 $\mathbb{1}$	例如事件 $A$ 发生了则有 $\mathbb{1}_A{=}1$ ，而本文中 $\mathbb{1}{=}1$ 表示所有上界和下界条件同时满足

$\textbf{3. }$ 联合界限

0️⃣基本思路：保证 $\hat{F}(Q,S^*){>}\hat{F}(Q,S_i)$ 高概率成立

假定： $\mathbb{1}$ 为一个二元指示，当 $\mathbb{1}{=}1$ 时表示 $N{-}1)m_q$ 个上界和 $m_q$ 个下界同时成立
上界：对所有 $S_i{≠}S^*$ 中共 $N{-}1)m_q$ 个 $q_r$ ，有 $σ(\hat{\mathbf{s}}_{ri})$ 都在上界 $αs_{ri\max}{+}\Delta_{ri}$ 下
下界：所有 $S^*$ 中共 $m_q$ 个 $q_r$ ，有 $σ(\hat{\mathbf{s}}_r^*)$ 都在下界 $βs_{r\max}^*{-}\Delta_{ri}$ 上

思路：先证明蕴含关系即 $\mathbb{1}{=}1$ 时事件 $\forall{i}\left(\hat{F}(Q,S^*){>}\hat{F}(Q,S_i)\right)$ 成立，再证明 $\Pr(\mathbb{1}{=}1){≥}1{-}\delta$

1️⃣蕴含关系的证明：对 $\Pr\left[\forall{i}\left(\hat{F}(Q,S^*){>}\hat{F}(Q,S_i)\right)\right]$ 的不断进行变换

由定义 $\hat{F}\left({Q,S_i}\right)\text{=}\displaystyle{}\frac{1}{m_q}\sum_{r=1}^{m_q}w_rσ({\mathbf{\hat{s}}}_{ri})$ 和 $\hat{F}\left({Q,S^*}\right)\text{=}\displaystyle{}\frac{1}{m_q}\sum_{r=1}^{m_q}w_rσ(\hat{\mathbf{s}}_r^*)$
代入得，原式 ${=}\Pr\left[\forall{i}\left(\hat{F}(Q,S^*){-}\hat{F}(Q,S_i){>}0\right)\right]{=}\Pr\left[\forall{i}\left(\left(\displaystyle{}\frac{1}{m_q}\sum_{r=1}^{m_q}w_rσ(\hat{\mathbf{s}}_r^*){-}\displaystyle{}\frac{1}{m_q}\sum_{r=1}^{m_q}w_rσ({\mathbf{\hat{s}}}_{ri})\right){>}0\right)\right]$
化简得，原式 ${=}\Pr\left[\forall{i}\left(\displaystyle{}\sum_{r=1}^{m_q}w_r\left(σ(\hat{\mathbf{s}}_r^*){-}σ({\mathbf{\hat{s}}}_{ri})\right){>}0\right)\right]$

考虑有 $Pr(A){≥}\Pr(A{∩}B){=}\Pr(A|B)\Pr(B)$ ，所以原式 ${≥}\displaystyle\Pr\left[\forall{i}\left(\sum_{r=1}^{m_q}w_r \left(\sigma(\hat{\mathbf{s}}_r^*){-}\sigma(\hat{\mathbf{s}}_{ri}) \right){>}0\middle|\mathbb{1}{=}1\right)\right]\Pr\left[\mathbb{1}{=}1\right]$
当 $\mathbb{1}{=}1$ 时有 $σ(\hat{\mathbf{s}}_{ri}){≤}αs_{ri\max}{+}\Delta_{ri}$ 以及 $σ(\hat{\mathbf{s}}_r^*){≥}βs_{r\max}^*{-}\Delta_{ri}$ ，所以 $σ(\hat{\mathbf{s}}_r^*){-}σ(\hat{\mathbf{s}}_{ri}){≥}βs_{r\max}^*{-}αs_{ri\max}{-}2\Delta_{ri}$
故 $βs_{r\max}^*{-}αs_{ri\max}{-}2\Delta_{ri}{>}0$ 发生时， $σ(\hat{\mathbf{s}}_r^*){-}σ(\hat{\mathbf{s}}_{ri}){>}0$ 必发生，即 $βs_{r\max}^*{-}αs_{ri\max}{-}2\Delta_{ri}{>}0$ 事件概率更小
故 $\displaystyle\Pr\left[\forall{i}\left(\sum_{r=1}^{m_q}w_r \left(\sigma(\hat{\mathbf{s}}_r^*){-}\sigma(\hat{\mathbf{s}}_{ri}) \right){>}0\middle|\mathbb{1}{=}1\right)\right]{≥}\displaystyle\Pr\left[\forall{i}\left(\sum_{r=1}^{m_q}w_r \left(βs_{r\max}^*{-}αs_{ri\max}{-}2\Delta_{ri}\right){>}0\right)\right]$
稍作变换，原式 ${≥}\displaystyle\Pr\left[{{\forall }{i}\left({\sum_{{r=1}}^{{m}_{q}}{w}_{r}\left({βs_{r\max}^*{-}\alpha s_{ri\max}}\right){>}{2\Delta_{ri}}\sum_{{r = 1}}^{{m}_{q}}{w}_{r}}\right)}\right]\Pr(\mathbb{1}{=}1)$

由定义 $B^*\text{=}\displaystyle{}\frac{β}{m_q}\sum_{r=1}^{m_q}w_rs_{r\max}^*$ 和 $B_i\text{=}\displaystyle{}\fracα{m_q}\sum_{r=1}^{m_q}w_r\hat{s}_{ri\max}$
代入得，原式 ${≥}\Pr\left[{\forall{i}\left({{m}_{q}\left({B^*{-}B_i}\right){>}{2\Delta_{ri} }\displaystyle\sum_{{r = 1}}^{{m}_{q}}{w}_r}\right) }\right]\Pr({\mathbb{1}{=}1})$
又由于 $B_{i,\max}{>}B_i$ ，即 $\Pr\left[{\forall{i}\left({{m}_{q}\left({B^*{-}B_i}\right){>}{2\Delta_{ri} }\displaystyle\sum_{{r=1}}^{{m}_{q}}{w}_r}\right) }\right]{≥}\Pr\left[{\forall{i}\left({{m}_{q}\left({B^*{-}B_{i\max}}\right){>}{2\Delta_{ri} }\displaystyle\sum_{{r=1}}^{{m}_{q}}{w}_r}\right) }\right]$
所以，原式 ${≥}\Pr\left[{\forall{i}\left({{m}_{q}\left({B^*{-}B_{i\max}}\right){>}{2\Delta_{ri} }\displaystyle\sum_{{r=1}}^{{m}_{q}}{w}_r}\right) }\right]\Pr({\mathbb{1}{=}1})$

定义阈值：让所有的 $\Delta_{ri}$ 都为固定值，且 $\Delta{=}\cfrac{B^*–B_{i\max}}{3}$
所以，原式 ${≥}\Pr\left[{\forall{i}\left({3{m}_{q}\Delta{>}{2\Delta}\displaystyle\sum_{{r=1}}^{{m}_{q}}{w}_r}\right)}\right]\Pr({\mathbb{1}{=}1})$
又考虑到 $1{≥}{w}_r$ 即 $2m_q\Delta{≥}2\Delta\displaystyle\sum_{{r=1}}^{{m}_{q}}{w}_r$ ，所以 $\Pr\left[{\forall{i}\left({3{m}_{q}\Delta{>}{2\Delta}\displaystyle\sum_{{r=1}}^{{m}_{q}}{w}_r}\right)}\right]{≥}\Pr\left[{\forall{i}\left({3{m}_{q}\Delta{>}2m_q\Delta}\right)}\right]$
所以原式 ${≥}\Pr\left[{\forall{i}\left({3{m}_{q}\Delta{>}{2\Delta}}\right)}\right]\Pr({\mathbb{1}{=}1}){=}\Pr({\mathbb{1}{=}1}){=}1{-}\Pr({\mathbb{1}{=}0})$

2️⃣概率的证明： $\Pr(\mathbb{1}{=}1){=}1{-}\delta$

试图证明 $\Pr(\mathbb{1}{=}0)$ ，并将该失败事件分为
至少有一个上界失败，即 $U_{\text{fail}}{=}\left({∃}(r,S_i{≠}S^*)\left({σ(\hat{\mathbf{s}}_{ri}){≥}α s_{ri\max}{+}\Delta_{ri}}\right)\right)$ ，已证设定 $L$ 后 $\Pr\left(U_{\text{fail}}\right){≤}\cfrac{\delta}{2}$
至少有一个下界失败，即 $L_{\text{fail}}{=}\left({∃}(r,S_i{=}S^*)\left({σ(\hat{\mathbf{s}}_r^*){≤}βs_{r\max}^*{-}\Delta_{ri}}\right)\right)$ ，已证设定 $L$ 后 $\Pr\left(L_{\text{fail}}\right){≤}\cfrac{\delta}{2}$

所以 $\Pr(\mathbb{1}{=}0){≤}\Pr\left(U_{\text{fail}}\right){+}\Pr\left(L_{\text{fail}}\right){=}\delta$ ，即 $\Pr(\mathbb{1}{=}1){≥}1{-}\delta$
最后 $\small{}L{=}\max\left\{\cfrac{\ln\left(\cfrac{2(N{-}1)m_qm}{δ}\right)}{\ln{\left(\cfrac{1}{(γ_{ri})_{\max}}\right)}},\cfrac{β^2\ln\left(\cfrac{4m_q}{\delta}\right)}{2\Delta_{ri}^2}\right\}{=}\max\left\{O\left( {\log \left( \cfrac{N{m}_{q}m}{\delta}\right) }\right),O\left( {\log \left( \cfrac{{m}_{q}}{\delta }\right) }\right)\right\}{=}O\left( {\log \left( \cfrac{N{m}_{q}m}{\delta}\right) }\right)$ 证毕

$\textbf{Ps. }$ 运行时间分析

1️⃣一些假设

计算任何一个 $\text{LSH}$ 函数 $\psi{_t}(x)$ 的时间都为 $O (d)$ ，其中 $d$ 为向量 $x$ 的维度
让 $|\mathcal{D}{\left\lbrack{}i\right\rbrack}_{t,h}|\text{＜}T$ ，即用哈希函数 $\psi_t$ 对集合 $S_i$ 分桶，落入哈希值为 $h$ 的桶的向量数不超过常数 $T$
让哈希数量 $L{=}O\left( {\log \left( \cfrac{N{m}_{q}m}{\delta}\right) }\right)$ ，于定理中的一致

2️⃣复杂度： $O\left(m_qLd{+}\displaystyle\sum_{q_r=q_1}^{q_r=q_{m_q}}\sum_{S_i=S_1}^{S_i=S_N}\sum_{\psi_t=\psi_1}^{\psi_t=\psi_L}\mathcal{D}{\left\lbrack{}i\right\rbrack}_{t,\psi_{t}(q_r)}\right)$

$O\left(m_qLd\right)$ 表示对查询 $Q$ 的处理，给 $m_q$ 个向量 $q_r$ 每个计算 $L$ 个哈希值，每个哈希值计算耗时 $O (d)$ ，所以为 $O\left(m_qLd\right)$
$O\left(\displaystyle\sum_{q_r=q_1}^{q_r=q_{m_q}}\sum_{S_i=S_1}^{S_i=S_N}\sum_{\psi_t=\psi_1}^{\psi_t=\psi_L}\mathcal{D}{\left\lbrack{}i\right\rbrack}_{t,\psi_{t}(q_r)}\right)$ 表示对 $D\text{=}\{S_1,S_2,...,S_N\}$ 的处理
$\displaystyle\sum_{\psi_t=\psi_1}^{\psi_t=\psi_L}\mathcal{D}{\left\lbrack{}i\right\rbrack}_{t,\psi_{t}(q_r)}$ 表示，对于固定 $q_r$ 和 $S_i$ ，所姚检查的所有桶中的向量的总数，每检查一个向量(与 $q_r$ 碰撞与否)耗时 $O (1)$
对于所有的 $q_r$ 和所有的 $S_i$ ，一共要检查 $O\left(\displaystyle\sum_{q_r=q_1}^{q_r=q_{m_q}}\sum_{S_i=S_1}^{S_i=S_N}\sum_{\psi_t=\psi_1}^{\psi_t=\psi_L}\mathcal{D}{\left\lbrack{}i\right\rbrack}_{t,\psi_{t}(q_r)}\right)$ 次
考虑到 $|\mathcal{D}{\left\lbrack{}i\right\rbrack}_{t,h}|\text{＜}T$ 所以 $O\left(\displaystyle\sum_{q_r=q_1}^{q_r=q_{m_q}}\sum_{S_i=S_1}^{S_i=S_N}\sum_{\psi_t=\psi_1}^{\psi_t=\psi_L}\mathcal{D}{\left\lbrack{}i\right\rbrack}_{t,\psi_{t}(q_r)}\right)\text{＜}O\left(\displaystyle\sum_{q_r=q_1}^{q_r=q_{m_q}}\sum_{S_i=S_1}^{S_i=S_N}\sum_{\psi_t=\psi_1}^{\psi_t=\psi_L}T\right)\text{=}O\left(m_qNLT\right)$

将 $L{=}O\left( {\log \left( \cfrac{N{m}_{q}m}{\delta}\right) }\right)$ 代回
最终 $O\left(m_qLd{+}m_qNLT\right){=}O\left(m_qLd{+}m_qNLT\right){=}O\left(m_qd\log \left( \cfrac{N{m}_{q}m}{\delta}\right){+}m_qNT\log \left( \cfrac{N{m}_{q}m}{\delta}\right)\right)$
另外其实还可以忽略常数 $T$