[論文レビュー] Min-Max Correlation Clustering via MultiCut

Saba Ahmadi, Sainyam Galhotra+3 more|arXiv (Cornell University)|Jun 28, 2019

Advanced Clustering Algorithms Research参考文献 16被引用数 4

ひとこと要約

本稿では、各クラスタごとの不一致数の最大値を最小化することで、クラスタの品質をバランスさせる、新しいクラスタワイズの目的関数「min-max相関クラスタリング」を導入する。一般の重み付きグラフにおいて、MultiCutに基づくアプローチを用いて、O(√(log n · max{log|E⁻|, log k}))の非自明な近似アルゴリズムを初めて提案する。K_{r,r}-minor-freeグラフや完全グラフにおいては、より良い近似比が得られる。

ABSTRACT

Correlation clustering is a fundamental combinatorial optimization problem arising in many contexts and applications that has been the subject of dozens of papers in the literature. In this problem we are given a general weighted graph where each edge is labeled positive or negative. The goal is to obtain a partitioning (clustering) of the vertices that minimizes disagreements - weight of negative edges trapped inside a cluster plus positive edges between different clusters. Most of the papers on this topic mainly focus on minimizing total disagreement, a global objective for this problem. In this paper, we study a cluster-wise objective function that asks to minimize the maximum number of disagreements of each cluster, which we call min-max correlation clustering. The min-max objective is a natural objective that respects the quality of every cluster. In this paper, we provide the first nontrivial approximation algorithm for this problem achieving an $\mathcal{O}(\sqrt{\log n\cdot\max\{\log(|E^-|),\log(k)\}})$ approximation for general weighted graphs, where $|E^-|$ denotes the number of negative edges and $k$ is the number of clusters in the optimum solution. To do so, we also obtain a corresponding result for multicut where we wish to find a multicut solution while trying to minimize the total weight of cut edges on every component. The results are then further improved to obtain (i) $\mathcal{O}(r^2)$-approximation for min-max correlation clustering and min-max multicut for graphs that exclude $K_{r,r}$ minors (ii) a 14-approximation for the min-max correlation clustering on complete graphs.

研究の動機と目的

• 従来の相関クラスタリングにおける公平性の欠如を是正するため、全不一致数ではなく、各クラスタごとの最大不一致数を最小化する。
• 各クラスタが互いに著しく劣らないよう保証する、新しいクラスタワイズのmin-max目的関数を導入し、公平性と品質のバランスを向上させる。
• 一般の重み付きグラフにおけるmin-max相関クラスタリングのための、初めての近似アルゴリズムを提供する。
• K_{r,r}-minor-freeグラフや完全グラフを含む特殊なグラフクラスに対してもアプローチを拡張し、より良い近似比を達成する。
• LP緩和と反復的集約技術を活用する、新しいMultiCutベースのフレームワークを構築し、min-max目的関数を扱う。

提案手法

• MultiCut定式化を用いて、各成分の最大カット重みを最小化するmin-max相関クラスタリング問題をモデル化する。
• MultiCut問題の線形計画緩和に対して確率的丸め手順を適用し、制限されたカット重みとゼロ違反を満たす多重集合の部分集合を得る。
• 部分集合を反復的に統合する集約アルゴリズムを設計し、各部分のカット重みが目標値を超えないようにしながら、ゼロ違反を維持する。
• 直交する分離子とLPに基づく分離子を用いて、制御されたカット重みとゼロ違反を満たす初期解を構築する。
• 特にK_{r,r}-minor-freeグラフや完全グラフにおけるグラフ構造を活用し、組合せ的議論と確率的解析により、改善された近似境界を導出する。
• 各頂点が十分な割合の部分集合にカバーされるよう保証するカバーと集約フェーズを導入し、成分のバランスの取れた統合を可能にする。

実験結果

リサーチクエスチョン

• RQ1 min-max相関クラスタリング（各クラスタごとの不一致数の最大値を最小化する目的）に対して、非自明な近似アルゴリズムを設計することは可能か？
• RQ2 min-max目的関数は、従来のグローバルmin-sum目的関数と比べて、近似可能性においてどのように異なるか？
• RQ3 K_{r,r}-minor-freeグラフや完全グラフといった特殊なグラフクラスにおいて、min-max相関クラスタリングの近似保証はどの程度達成可能か？
• RQ4 MultiCutフレームワークをクラスタワイズのmin-max目的関数に適応することは可能か？その際の主なアルゴリズム的課題は何か？
• RQ5 LPに基づく丸めと反復的集約を用いて、min-max相関クラスタリングに対して定数または多対数近似を達成することは可能か？

主な発見

• 一般の重み付きグラフにおいて、min-max相関クラスタリングに対してO(√(log n · max{log|E⁻|, log k}))の近似比を達成した。
• K_{r,r}-minor-freeグラフでは、近似比がO(r²)に改善され、スパarsなグラフ族において顕著な向上が得られた。
• 完全グラフでは14-近似を達成し、以前のO(1)およびO(√n)の境界を改善した。
• このアプローチはmin-max multicutにも拡張可能であり、同じ目的関数に対して同じ近似比を達成した。
• 集約手順により、各クラスタのカット重みは有界でゼロ違反が保たれ、期待される総コストが最適解のO(√(min(T,n)·Δ) · B)以内に収束する。
• アルゴリズムは各頂点が部分集合の定数倍の割合にカバーされることを保証し、min-max制約を維持したまま効果的な統合を可能にした。