[論文レビュー] Certified Algorithms: Worst-Case Analysis and Beyond

Maria-Florina Balcan, Colin White|arXiv (Cornell University)|May 19, 2017

Facility Location and Emergency Management参考文献 18被引用数 4

ひとこと要約

本稿では、全体のデータセットではなく個々のクラスタに注目する安定性の概念である局所的摂動安定性（LPR）を導入し、既存の近似アルゴリズムに対する自然な変更を提示する。これらの変更により、最悪ケースの近似保証を維持するとともに、クラスタが局所的に安定している場合には最適解を返すことが可能となる。主な貢献は、k-メディアンでは(3+ϵ)-LPR、k-メーンズでは(9+ϵ)-LPR、k-センターでは2-LPRを満たすすべての最適クラスタを、データの一部のみが安定している場合でも出力できることである。

ABSTRACT

In this paper, we introduce the notion of a certified algorithm. Certified algorithms provide worst-case and beyond-worst-case performance guarantees. First, a γ-certified algorithm is also a γ-approximation algorithm - it finds a γ-approximation no matter what the input is. Second, it exactly solves γ-perturbation-resilient instances (γ-perturbation-resilient instances model real-life instances). Additionally, certified algorithms have a number of other desirable properties: they solve both maximization and minimization versions of a problem (e.g. Max Cut and Min Uncut), solve weakly perturbation-resilient instances, and solve optimization problems with hard constraints. In the paper, we define certified algorithms, describe their properties, present a framework for designing certified algorithms, provide examples of certified algorithms for Max Cut/Min Uncut, Minimum Multiway Cut, k-medians and k-means. We also present some negative results.

研究の動機と目的

• 全体のデータセットのグローバルな安定性仮定に依存する、最悪ケースの保証がない「最悪ケースを超える」クラスタリングアルゴリズムの欠如に対処すること。
• 最悪ケースの近似比を保ちつつ、局所的安定性下で最適性を達成する自然なアルゴリズムの変更を考案すること。
• 全体のデータセットではなく個々のクラスタに適用可能な安定性の概念として、局所的摂動安定性（LPR）を定義し形式化すること。
• LPR下で、データの一部のみが安定している場合でも、アルゴリズムが最適クラスタを出力できることを確立し、部分的な不安定性に対してもロバスト性を向上させること。
• (α,ϵ)-近似安定性下でのAPX-hardnessを示し、クラスタのサイズ制約がなければ強い保証を得ることは不可能であることを示すこと。

提案手法

• 単一の最適クラスタが内部距離に対してα倍の摂動を受けた後も最適のままである、局所的摂動安定性（LPR）を提唱する。
• k-メディアン/k-メーンズのための最新の近似アルゴリズム（例：k-メディアン/k-メーンズのローカルサーチ、k-センターの2近似）を、LPR保証を組み込むように変更する。
• 新規の解析フレームワークを用いて、クラスタがk-メディアンで(3+ϵ)-LPR、k-メーンズで(9+ϵ)-LPRである場合、変更済みアルゴリズムがそれを正確に回復できることを示す。
• サイズ制約下で、修正された非対称k-センター法を用いて、すべての2-SLPR（対称的LPR）クラスタを出力できることを示し、(3,ϵ)-LPRへの拡張も行う。
• 一般のクラスタリングインスタンスから還元することで、(α,ϵ)-近似安定性下でもAPX-hardnessを証明する。安定性が保証されている場合でさえも、強い近似保証は不可能であることを示す。
• 構造的補題（例：補題24）と背理法を用いて、複数のLPRクラスタが同時に同じ点を高く評価することは、安定性を破る限り不可能であることを示す。

実験結果

リサーチクエスチョン

• RQ1 最悪ケースの近似保証を維持するとともに、データが安定している場合に最適解を返すようなクラスタリングアルゴリズムを設計できるか？
• RQ2 全体のデータセットではなく個々のクラスタに適用可能な安定性の概念を定義し、部分的な最適解の回復を可能にすることができるか？
• RQ3 標準的な近似アルゴリズムを自然に変更した場合、局所的摂動安定性下で最適な性能を達成できるか？
• RQ4 LPRの保証が計算的に実行可能でロバストであるためには、最小でどの程度のクラスタサイズが必要か？
• RQ5 (α,ϵ)-近似安定性下で強い近似保証を得ることは可能か？ たとえ安定性条件が保証されていなくても可能か？

主な発見

• 変更済みのローカルサーチアルゴリズムは、k-メディアンではすべての(3+ϵ)-LPRクラスタ、k-メーンズではすべての(9+ϵ)-LPRクラスタを出力し、局所的安定性下で最適解を達成する。
• k-センターの任意の2近似アルゴリズムは、すべての2-LPRクラスタを出力する。さらに、最適クラスタが小さすぎない限り、すべての(3,ϵ)-LPRクラスタも出力する。
• Vishwanathanの非対称k-センター法の自然な変更により、すべての2-SLPRクラスタが正しく出力されることを保証し、局所的安定性に対してロバストであることを示した。
• 本稿では、任意のα≥1およびϵ>0に対して、k-センター、k-メディアン、k-メーンズが(α,ϵ)-近似安定性下でAPX-hardであることを証明した。これは、追加の制約がなければ強い近似が不可能であることを示している。
• 定理17におけるクラスタサイズ制約の必要性は、還元によって確認された。このような制約がなければ、いかなる効率的アルゴリズムでもすべての(α,ϵ)-LPRクラスタを回復できない。
• 定理16の証明により、3つ以上の(3,ϵ)-LPRクラスタが存在する場合、すべての局所的安定性条件を満たす一貫性のある候補点の順位付けは不可能であることが示された。これは構造的限界を確立するものである。