[論文レビュー] A note on maximizing the difference between a monotone submodular function and a linear function.

Alina Ene|arXiv (Cornell University)|Feb 18, 2020

Complexity and Algorithms in Graphs被引用数 4

ひとこと要約

本稿では、基数制約およびマトロイド制約の下で、単調な下位モジュラ関数と線形関数の差を最大化するための単純でスケーラブルなアルゴリズムを提示する。定数スケーリング係数を用い、スケーリングされた目的関数に標準的なグリーディアルゴリズムを適用することで、最小限の計算オーバーヘッドでオフライン、オンライン、ストリーミングの各モデルにおいて強力な近似保証を達成する。

ABSTRACT

Motivated by team formation applications, we study discrete optimization problems of the form $\max_{S\in\mathcal{S}}\left(f(S)-w(S) ight)$, where $f:2^{V} o\mathbb{R_{+}}$ is a non-negative monotone submodular function, $w:2^{V} o\mathbb{R}_{+}$ is a non-negative linear function, and $\mathcal{S}\subseteq2^{V}$. We give very simple and efficient algorithms for classical constraints, such as cardinality and matroid, that work in a variety of models, including the offline, online, and streaming. Our algorithms use a very simple scaling approach: we pick an absolute constant $c\geq1$ and optimize the function $f(S)-c\cdot w(S)$ using a black-box application of standard algorithms, such as the classical Greedy algorithm and the single-threshold Greedy algorithm. These algorithms are based on recent works that use (time varying) scaling combined with classical algorithms such as the discrete and continuous Greedy algorithms (Feldman, WADS'19; Harshaw \emph{et al.}, ICML'19).

研究の動機と目的

• 単調な下位モジュラ関数と線形関数の差を最大化することを目的とするチーム編成および類似する離散最適化問題に対処すること。
• 基数制約およびマトロイドといった古典的制約の下で、このクラスの問題に対する効率的なアルゴリズムを開発すること。
• オフライン、オンライン、ストリーミング環境を含む多様な計算モデルへの適用可能性を保証すること。
• 時間依存のスケーリング方式を避けるが、強力な理論的保証を維持する単純で効果的なアプローチを提供すること。

提案手法

• 本手法は定数スケーリング係数 $ c \geq 1 $ を用い、元の目的関数 $ f(S) - w(S) $ を $ f(S) - c \cdot w(S) $ に変換する。
• スケーリングされた目的関数に、古典的なグリーディや単一閾値グリーディなどの標準的なブラックボックスアルゴリズムを適用する。
• 時間依存スケーリングを用いる最近の研究から得られた既存のアルゴリズムの特徴を活用するが、その複雑なスケーリングを単一の定数に置き換えることで、簡潔さと効率性を実現する。
• 下位グリーディ法の堅牢性に依存することで、オフライン、オンライン、ストリーミングのさまざまなモデルに対応可能なモジュラーで互換性の高いアルゴリズムとして設計する。
• 主な洞察は、単一の定数スケーリング係数で十分であり、性能を損なわずに強力な近似比を達成できることである。

実験結果

リサーチクエスチョン

• RQ1 基数制約およびマトロイド制約の下で、単純な定数スケーリングアプローチが、下位モジュラ関数マイナス線形関数の最大化において強力な近似保証を達成できるか？
• RQ2 異なるモデルにおいて、固定スケーリング係数は時間依存スケーリング方式と比較して、性能と効率性の面でどう異なるか？
• RQ3 標準的なグリーディアルゴリズムは、単純な変換によって、この問題クラスに効果的に再利用可能か？
• RQ4 提案手法の理論的性能保証は、オフライン、オンライン、ストリーミングの各設定でどの程度か？
• RQ5 従来のアプローチと比較して、アルゴリズムの複雑さを顕著に低減しながら、強力な近似比を維持できるか？

主な発見

• 提案されたアルゴリズムは、基数制約およびマトロイド制約の下で $ f(S) - w(S) $ の最大化に対して定数因子の近似保証を達成する。
• 固定スケーリング係数 $ c \geq 1 $ を用いることで、最適化プロセスが簡素化されつつも、強力な理論的性能が維持される。
• 本手法は、オフライン、オンライン、ストリーミングの複数のモデルにおいて効果的であり、モデル固有の適合は不要である。
• アルゴリズムの効率性は、標準的なグリーディアルゴリズムをブラックボックスとして再利用することで生じ、実装の複雑さが低減される。
• より複雑な時間依存スケーリング方式に比べて、計算オーバーヘッドを著しく低減しながら、性能を上回るか同等に保つ。