[論文レビュー] Optimal Algorithms for Submodular Maximization with Distributed Constraints

Alexander Robey, Arman Adibi+3 more|arXiv (Cornell University)|Sep 30, 2019

Complexity and Algorithms in Graphs参考文献 30被引用数 6

ひとこと要約

この論文では、分散パーティションマトロイド制約下でのサブモジュラ最大化に対して、タイトな$(1 - 1/e)$近似を達成するメッセージスレッディングアルゴリズムである制約付き分散連続グリーディ（CDCG）を提案する。離散問題を連続領域に拡張し、適切なラウンディングを伴うコンSENSUSベースの最適化により、局所的なエージェントが協調的にグローバル最適性保証のもとでサブモジュラ目的関数を最大化可能となり、逐次グリーディ法に比べて顕著に優れた性能を発揮する。

ABSTRACT

We consider a class of discrete optimization problems that aim to maximize a submodular objective function subject to a distributed partition matroid constraint. More precisely, we consider a networked scenario in which multiple agents choose actions from local strategy sets with the goal of maximizing a submodular objective function defined over the set of all possible actions. Given this distributed setting, we develop Constraint-Distributed Continuous Greedy (CDCG), a message passing algorithm that converges to the tight $(1-1/e)$ approximation factor of the optimum global solution using only local computation and communication. It is known that a sequential greedy algorithm can only achieve a $1/2$ multiplicative approximation of the optimal solution for this class of problems in the distributed setting. Our framework relies on lifting the discrete problem to a continuous domain and developing a consensus algorithm that achieves the tight $(1-1/e)$ approximation guarantee of the global discrete solution once a proper rounding scheme is applied. We also offer empirical results from a multi-agent area coverage problem to show that the proposed method significantly outperforms the state-of-the-art sequential greedy method.

研究の動機と目的

• エージェントが局所戦略集合を持つ分散ネットワーク環境において、サブモジュラ目的関数を最大化する課題に対処すること。
• 逐次グリーディアルゴリズムの限界を克服すること。分散環境では、1/2の近似にとどまるため。
• グローバル最適解のタイトな$(1 - 1/e)$近似を保証するスケーラブルで分散型のアルゴリズムを開発すること。
• マルチエージェントカバレッジ、分散データ要約、ロボットセンシングなどの応用分野における実用的導入を可能にすること。

提案手法

• マルチ線形拡張を用いて、離散的サブモジュラ最大化問題を連続的領域に変換する。
• エージェントが連続的緩和を共同で最適化できるコンセンサスベースの連続グリーディアルゴリズムを設計する。
• 局所的メッセージスレッディングを用いてエージェント間の変数を同期させつつ、分散計算を維持する。
• 連続解を再び離散的実行可能解に変換するために確率的ラウンディングスキームを適用する。
• 局所的アクション集合が基数制約および互いに素な制約を満たすように、分散パーティションマトロイド制約を強制する。
• 連続的緩和およびコンセンサスダイナミクスの理論的解析を通じて、$(1 - 1/e)$近似要因への収束を証明する。

実験結果

リサーチクエスチョン

• RQ1 パーティションマトロイド制約下でのサブモジュラ最大化に対して、分散アルゴリズムがタイトな$(1 - 1/e)$近似を達成できるか？
• RQ2 メッセージスレッディングを介して、中央集権的制御なしに、局所的エージェントがどのようにグローバル最適性保証を達成できるか？
• RQ3 この設定において、逐次グリーディ法と適切に設計された分散アルゴリズムとの間の性能差は何か？
• RQ4 連続的緩和とコンセンサスフレームワークを用いることで、分散ネットワークにおける近似保証を維持できるか？
• RQ5 提案手法は、既存の手法と比較して、現実のマルチエージェントカバレッジタスクにおいてスケーラビリティと性能をどのように発揮するか？

主な発見

• CDCGは、分散パーティションマトロイド制約下でのサブモジュラ最大化に対して、中央集権的設定における最高の既知の近似と同等のタイトな$(1 - 1/e)$近似要因を達成する。
• マルチエージェント領域カバレッジ問題における実験的評価では、CDCGは最先端の逐次グリーディ法を上回る性能を示す。
• CDCGの分散的性質により、局所的通信のみで複数のエージェントにわたるスケーラブルで頑健な最適化が可能となる。
• 理論的解析により、連続的緩和とコンセンサスベース最適化を用いて、最適近似比への収束が確認された。
• 実験的結果は、CDCGが特に高次元かつ制約の厳しい設定において、逐次グリーディ法に比べて顕著に高い解の質を達成できることを示している。