[論文レビュー] Resilient Monotone Submodular Function Maximization

Vasileios Tzoumas, Konstantinos Gatsis+2 more|arXiv (Cornell University)|Mar 21, 2017

Complexity and Algorithms in Graphs参考文献 32被引用数 4

ひとこと要約

本稿では、敵対的障害や攻撃下における耐障害性のある単調な部分加法的関数の最大化のためのスケーラブルな近似アルゴリズムを提案する。関数の曲率を活用することで、優れた近似保証が得られる。任意の数の障害βと選択数αに対して有効な性能を保証し、O(|V|(α−β))回の関数評価で実現可能であり、低曲率関数では近似比が向上する。

ABSTRACT

In this paper, we focus on applications in machine learning, optimization, and control that call for the resilient selection of a few elements, e.g. features, sensors, or leaders, against a number of adversarial denial-of-service attacks or failures. In general, such resilient optimization problems are hard, and cannot be solved exactly in polynomial time, even though they often involve objective functions that are monotone and submodular. Notwithstanding, in this paper we provide the first scalable, curvature-dependent algorithm for their approximate solution, that is valid for any number of attacks or failures, and which, for functions with low curvature, guarantees superior approximation performance. Notably, the curvature has been known to tighten approximations for several non-resilient maximization problems, yet its effect on resilient maximization had hitherto been unknown. We complement our theoretical analyses with supporting empirical evaluations.

研究の動機と目的

• β個の敵対的削除または障害が発生しても高い効用を維持できる、要素の耐障害的集合の選択という課題に対処する（例：センサー、特徴量、リーダー）。
• 計算量的に非現実的（βに指数的に依存）であるか、またはβが小さい（≤√(2α)）に制限される既存のアルゴリズムの限界を克服する。
• 耐障害性のある部分加法的最適化において、これまでこの文脈で未解決であった曲率を主要なパラメータとして導入し、近似境界を厳密化する。
• 任意のαおよびβに対して有効であり、障害数に制限を設けない、スケーラブルかつ普遍的に有効なアルゴリズムを開発する。
• 関数曲率に依存する理論的近似性能保証を提供し、曲率が低下するにつれて性能が向上することを示す。

提案手法

• 曲率（κ_f）を用いて近似境界を精緻化する、新たなアルゴリズム（アルゴリズム1）を提案。このアルゴリズムは、β個の最悪ケースの削除に対しても耐性を持つように、逐次的に marginal gain が最大の要素を選択して集合Aを構築する。
• 曲率（κ_f）の概念を用いて近似境界を改善し、曲率が低いほど性能保証が向上することを示す。
• 部分集合B*₂の marginal gain が集合A⁺₁に対して関係づけられる重要な不等式（不等式24）を導入し、より厳密な解析を可能にする。
• ηを正規化係数として定義し、B*₂の marginal gain をA₂の値に関連付ける。このηを用いて最終的な近似境界を導出する。
• κ_f ≠ 0 の場合に、近似境界として (1−κ_f)⋅(1−e^{−(1−κ_f)⋅(1−η)})/((1−κ_f)⋅(1−η)) を理論的に確立する。この境界は曲率が低下するにつれて改善される。
• アルゴリズムがO(|V|(α−β)τ_f)時間で実行可能であることを証明する。ここでτ_fは1回の関数評価のコストであり、大規模問題に対してもスケーラブルである。

実験結果

リサーチクエスチョン

• RQ1 敵対的障害下における耐障害性のある部分加法的最適化において、曲率を用いて近似保証を改善できるか？
• RQ2 任意のβとαに対して動作するが、βを小さいものに制限しない、耐障害性のある部分加法的最適化のためのスケーラブルなアルゴリズムを設計可能か？
• RQ3 部分加法的関数の曲率が、耐障害性の設定下での近似性能にどのように影響するか？
• RQ4 曲率に依存する理論的近似境界を、既存の境界よりもタイトに導出可能か？
• RQ5 提案されたアルゴリズムの計算量的複雑度は何か？また、数千の要素や障害を含む大規模な問題インスタンスに対してもスケーラブルか？

主な発見

• 提案アルゴリズムは、任意のαおよびβに対して、(1−κ_f)⋅(1−e^{−(1−κ_f)⋅(1−η)})/((1−κ_f)⋅(1−η))の下限となる近似比を保証する。曲率κ_fが低下するにつれてこの境界が改善される。
• 低曲率関数（例：κ_f < 0.5）では、既存の研究で有効なβ ≤ √(2α)に限定される29%の下限を大幅に上回る近似比を達成する。
• アルゴリズムはO(|V|(α−β)τ_f)時間で実行可能であり、|V|が数千規模でβがα/2まで達する大規模問題に対してもスケーラブルである。
• 理論的解析により、曲率が低下するほど近似境界がタイトになることが示され、曲率が耐障害最適化において重要な要因であることが裏付けられる。
• 既存手法とは異なり、任意のαおよびβに対して普遍的に有効である。
• 実験的評価は理論的解析を補完し、実用的な耐障害的選択タスクにおけるアルゴリズムの有効性を示している。