[論文レビュー] Maximizing Stochastic Monotone Submodular Functions

Arash Asadpour, Hamid Nazerzadeh|arXiv (Cornell University)|Aug 19, 2009

Complexity and Algorithms in Graphs参考文献 27被引用数 5

ひとこと要約

本稿は、マトロイド制約下における確率的単調な部分集合関数の最大化を研究し、適応的でないポリシーを導入することで、最適な適応的ギャップ $rac{e}{e-1}$ を達成するとともに、均一なマトロイドの場合には最適値の $1 - rac{1}{e}$ を保証する適応的でないミオピックポリシーを提案する。本研究は、近似のタイトな境界を確立し、確率的部分集合最適化のための多項式時間アルゴリズムを提供する。

ABSTRACT

We study the problem of maximizing a stochastic monotone submodular function with respect to a matroid constraint. Due to the presence of diminishing marginal values in real-world problems, our model can capture the effect of stochasticity in a wide range of applications. We show that the adaptivity gap -- the ratio between the values of optimal adaptive and optimal non-adaptive policies -- is bounded and is equal to e/(e-1). We propose a polynomial-time non-adaptive policy that achieves this bound. We also present an adaptive myopic policy that obtains at least half of the optimal value. Furthermore, when the matroid is uniform, the myopic policy achieves the optimal approximation ratio of 1-1/e.

研究の動機と目的

• マトロイド制約下における確率的単調部分集合最適化の適応的ギャップを分析すること。
• 多項式時間の非適応的ポリシーを設計し、最適な適応的ギャップ $rac{e}{e-1}$ を達成すること。
• 一般のマトロイドに対して、保証された近似性能を有する適応的ミオピックポリシーを開発すること。
• 特に均一マトロイドの場合のタイトな近似比、特に $1 - rac{1}{e}$ を確立すること。
• 確率的設定への一般化、すなわち不確実で逓減する限界利得を伴う、決定論的部分集合最適化の結果を拡張すること。

提案手法

• 期待限界利得に基づいて要素を選択する非適応的ポリシーを用い、最適な適応的ギャップ $rac{e}{e-1}$ を達成する。
• 各ステップで期待限界利得が最大の要素を逐次選択するミオピック適応的ポリシーを適用する。
• 条件付き期待値と部分集合性を用いた確率的解析により、適応的および非適応的ポリシー間の性能ギャップを制限する。
• Lemma 11 を用いてポリシー経路における有効集合の和を制限し、多項式時間の複雑さを保証する。
• 各ステップにおける不等式の重み付き和を、係数 $ (1 - rac{1}{k})^{k-1-t} $ を用いてとる。これにより近似比を導出する。
• 関数の確率的単調性および部分集合性を活用し、限界利得が非負かつ逓減することを保証する。

実験結果

リサーチクエスチョン

• RQ1 マトロイド制約下における確率的単調部分集合関数最大化の適応的ギャップは何か？
• RQ2 確率的設定下で、非適応的ポリシーが最適な適応的ギャップ $rac{e}{e-1}$ を達成できるか？
• RQ3 一般のマトロイド設定下で、適応的ミオピックポリシーが保証できる近似比は何か？
• RQ4 マトロイドが均一である場合、ミオピックポリシーは最適な $1 - rac{1}{e}$ 近似比に達するか？
• RQ5 限界利得の確率的変動が、部分集合最適化におけるグリーディーおよび適応的ポリシーの性能に与える影響は何か？

主な発見

• マトロイド制約下における確率的単調部分集合関数最大化の適応的ギャップは有界であり、$rac{e}{e-1}$ に等しく、決定論的ケースと一致する。
• 多項式時間の非適応的ポリシーが、この最適な適応的ギャップを達成し、タイトな性能保証を提供する。
• 一般のマトロイド設定下では、適応的ミオピックポリシーが最適値の半分以上を保証する。
• マトロイドが均一である場合、ミオピックポリシーは最適な近似比 $1 - rac{1}{e}$ を達成する。
• $1 - rac{1}{e}$ の境界はタイトであり、非確率的設定下でのグリーディアルゴリズムの最悪ケース性能と一致することから示された。
• 解析により、均一マトロイド制約下でミオピックポリシーの期待値が、最適適応的ポリシーの値の少なくとも $1 - rac{1}{e}$ 倍であることが確認された。