[論文レビュー] Interpolating between $k$-Median and $k$-Center: Approximation Algorithms for Ordered $k$-Median

Deeparnab Chakrabarty, Chaitanya Swamy|arXiv (Cornell University)|Nov 23, 2017

Facility Location and Emergency Management被引用数 11

ひとこと要約

本稿では、順序付きkメディアン問題に対する(18+ε)-近似アルゴリズムを提示する。これはkメディアンおよびkセンターの一般化であり、順序付き割り当てコストの重み付き和を最小化する。この保証を達成するために、ラグランジュ緩和、プライマル・デュアル手法、および列挙技術を活用している。特に、{0,1}重みの特殊ケースに対しては、標準kメディアンへの新しい還元により、よりタイトな(8.5+ε)-近似が得られる。

ABSTRACT

We consider a generalization of $k$-median and $k$-center, called the {\\em ordered $k$-median} problem. In this problem, we are given a metric space $(\\mathcal{D},\\{c_{ij}\\})$ with $n=|\\mathcal{D}|$ points, and a non-increasing weight vector $w\\in\\mathbb{R}_+^n$, and the goal is to open $k$ centers and assign each point each point $j\\in\\mathcal{D}$ to a center so as to minimize $w_1\\cdot\ ext{(largest assignment cost)}+w_2\\cdot\ ext{(second-largest assignment cost)}+\\ldots+w_n\\cdot\ ext{($n$-th largest assignment cost)}$. We give an $(18+\\epsilon)$-approximation algorithm for this problem. Our algorithms utilize Lagrangian relaxation and the primal-dual schema, combined with an enumeration procedure of Aouad and Segev. For the special case of $\\{0,1\\}$-weights, which models the problem of minimizing the $\\ell$ largest assignment costs that is interesting in and of by itself, we provide a novel reduction to the (standard) $k$-median problem showing that LP-relative guarantees for $k$-median translate to guarantees for the ordered $k$-median problem; this yields a nice and clean $(8.5+\\epsilon)$-approximation algorithm for $\\{0,1\\}$ weights.

研究の動機と目的

• 順序付きkメディアン問題に対する定数倍近似アルゴリズムの開発。これはkメディアンおよびkセンターを一般化し、順序付き割り当てコストの重み付き和を最小化する。
• 一般度量空間における順序付きkメディアンの近似アルゴリズムに関する先行研究が限られていることに対処する。
• {0,1}重みの特殊ケースに対して、綺麗な(8.5+ε)-近似を提供する。この場合の目的は、ℓ番目に大きな割り当てコストを最小化することである。
• {0,1}ケースの技術を一般化された重み付き設定に拡張するため、新規のLP緩和と列挙を用いる。
• 先行研究と比較して改善された近似保証を達成する。特に、Byrkaらの同時結果(38+ε)よりも良い上限を得ている。

提案手法

• 自然な緩和のΩ(ℓ)整数性ギャップを避けるために、{0,1}-重みケースのための新規なLP緩和を用いる。
• 順序付きコスト構造を扱うために、プライマル・デュアルフレームワークとラグランジュ緩和を組み合わせる。
• AouadとSegevのアイデアにインspiredされた列挙手順を用い、推定最適値に基づく候補解を探索する。
• 一般化された重み付きケースでは、2段階のアプローチを用いる。まず、最大コストMと重みベクトルw^estを推定し、その後、修正されたLPを解いて施設を選択する。
• 各クライアントのコスト寄与度を推定最適値に対して相対的に評価する関数g_{M,w^est}(9; c_j)を導入する。
• 複数の補題と主張の理論的保証を組み合わせ、最終解の総コストが最適解の(18+O(ε))倍以内に抑えられることを示す。

実験結果

リサーチクエスチョン

• RQ1 一般化された順序付きkメディアン問題に対して、定数倍近似が達成可能か。これはkメディアンとkセンターの間を補間する。
• RQ2 {0,1}重み変種の順序付きkメディアン問題に対して、達成可能な最良の近似比は何か。この場合の目的は、ℓ番目に大きな割り当てコストを最小化することである。
• RQ3 プライマル・デュアルやラグランジュ緩和といったLPベースの技術は、非分解可能な順序付きコスト関数に対応するためにどのように適合可能か。
• RQ4 {0,1}重み順序付きkメディアン問題から標準kメディアン問題への還元は、近似保証を保持するか。
• RQ5 一般化された重み付き設定において、近似比とアルゴリズムの複雑さのトレードオフは何か。

主な発見

• 本稿では、プライマル・デュアル、ラグランジュ緩和、列挙の新規な組み合わせを用いて、一般順序付きkメディアン問題に対して(18+ε)-近似を達成している。
• {0,1}重みケースでは、問題を標準kメディアンに還元することで、(8.5+ε)-近似が得られている。これはLP相対的保証を活用している。
• アルゴリズムは、ℓセンタム問題における自然な緩和のΩ(ℓ)整数性ギャップを回避するように注意深く構築されたLP緩和を用いている。
• 解析により、解のコストが推定最適コストの9倍に下位の項を加えたもので抑えられ、これらが後に拡大され他の境界と組み合わされる。
• 最終的な近似比(18+O(ε))は、推定コストの境界と最適解コスト、重み推定の誤差項を組み合わせることで導出される。
• Byrkaらの同時結果(38+ε)よりも改善されており、より単純な技術とより良い近似因子を用いている。