[論文レビュー] Adaptivity gaps for stochastic probing: submodular and XOS functions

Anupam Gupta, Viswanath Nagarajan+1 more|arXiv (Cornell University)|Jan 16, 2017

Auction Theory and Applications被引用数 35

ひとこと要約

この論文は、要素が確率的に活性化され、その状態を明らかにするためにプローブを行う必要がある、部分加法的およびXOS（分数的下加法的）関数に対する確率的プロービングにおける適応性ギャップを研究する。単調および非単調な部分加法的関数に対してはギャップが定数であることを示し、幅が小さいXOS関数に対しては対数的であることを示しており、これらの状況では非適応的戦略が適応的戦略とほぼ同等に効果的であることが示されている。

ABSTRACT

Suppose we are given a submodular function f over a set of elements, and we want to maximize its value subject to certain constraints. Good approximation algorithms are known for such problems under both monotone and non-monotone submodular functions. We consider these problems in a stochastic setting, where elements are not all active and we only get value from active elements. Each element e is active independently with some known probability pe, but we don't know the element's status a priori: we find it out only when we probe the element e. Moreover, the sequence of elements we probe must satisfy a given prefix-closed constraint, e.g., matroid, orienteering, deadline, precedence, or any downward-closed constraint.In this paper we study the gap between adaptive and non-adaptive strategies for f being a submodular or a fractionally subadditive (XOS) function. If this gap is small, we can focus on finding good non-adaptive strategies instead, which are easier to find as well as to represent. We show that the adaptivity gap is a constant for monotone and non-monotone submodular functions, and logarithmic for XOS functions of small width. These bounds are nearly tight. Our techniques show new ways of arguing about the optimal adaptive decision tree for stochastic optimization problems.

研究の動機と目的

• 部分加法的およびXOSの目的関数の下で、確率的プロービングにおける適応的戦略と非適応的戦略のトレードオフを理解すること。
• さまざまな関数クラスと制約の下で、最適な適応的戦略と非適応的戦略の比である適応性ギャップを定量化すること。
• 確率的最適化における最適な適応的意思決定木を推論するための新しい解析的手法を開発すること。
• 単調および非単調な部分加法的関数、および幅が小さいXOS関数に対して、適応性ギャップのほぼタイトな境界を確立すること。
• 非適応的戦略が実用的に計算と表現の両方を簡素化できるほど、最適に近い性能を達成できることを示すこと。

提案手法

• 確率的プロービングにおける適応的戦略と非適応的戦略を比較するための新規フレームワークを用いて、適応性ギャップを分析する。
• 部分加法的およびXOS関数の構造的性質を適用し、適応的および非適応的方策の性能差を制限する。
• 確率的設定における最適意思決定木を推論するために再帰的分解技術を用いる。
• マトロイドやオリエンティングなどの制約下での部分加法的最適化に関する既知の結果を活用し、適応性ギャップの境界を導出する。
• XOS関数の幅パラメータを導入して適応性ギャップの境界を精緻化し、この幅に対数的依存があることを示す。
• 確率的解析と集中極限の議論を用いて、適応的および非適応的方策の期待値を比較する。

実験結果

リサーチクエスチョン

• RQ1 前継集合が閉じた制約のもとで、単調部分加法的関数に対する確率的プロービングにおける最大の適応性ギャップは何か？
• RQ2 同じ確率的設定において、非単調部分加法的関数の適応性ギャップはどのように振る舞うか？
• RQ3 特に幅が小さい場合に、XOS関数の適応性ギャップは何か？
• RQ4 これらの設定において、非適応的戦略が最適な適応的戦略に対して定数または対数的近似を達成できるか？
• RQ5 確率的最適化における最適な適応的意思決定木を推論するための新しい解析的手法は何か開発できるか？

主な発見

• 前継集合が閉じた制約のもとで、確率的プロービングにおける単調および非単調部分加法的関数に対して、適応性ギャップは定数で有界である。
• 幅が小さいXOS関数に対しては、適応性ギャップは幅に対して対数的であり、この境界はほぼタイトである。
• これらの結果は、部分加法的関数および幅が小さいXOS関数において、非適応的戦略がほぼ最適に近い性能を達成できることを示しており、アルゴリズム設計を簡素化する。
• 確率的設定における最適な適応的意思決定木を推論するための新しい手法が分析で導入され、今後の応用に一般化可能である可能性がある。
• 適応性ギャップの境界はほぼタイトであり、一般にはそれ以上に改善できないことを示している。
• このフレームワークは、マトロイド、オリエンティング、デッドライン、先行順序、下閉じた制約を含む広範な制約クラスに適用可能である。