[論文レビュー] Robust Submodular Maximization: A Non-Uniform Partitioning Approach

Ilija Bogunovic, Slobodan Mitrović+2 more|arXiv (Cornell University)|Jun 15, 2017

Complexity and Algorithms in Graphs被引用数 30

ひとこと要約

本稿は、基数制約下における単調なサブモジュラ最大化のための分割型ロバスト（PRo）アルゴリズムを導入し、最大で $\tau = o(k)$ 個の要素の悪意ある削除に対しても定数乗数の近似を達成する。解を指数関数的に増加するサイズのバケツに分割し、各バケツでサブモジュラ最適化を適用することで、PRoは従来の $\tau = o(\sqrt{k})$ の範囲からより広い $\tau = o(k)$ の範囲へと、前人最高の性能を拡張した。実験的評価により、グリーディ法やOSUアルゴリズムに比べ、データ要約やインフルエンサー最大化の分野で優れたロバスト性能を示した。

ABSTRACT

We study the problem of maximizing a monotone submodular function subject to a cardinality constraint $k$, with the added twist that a number of items $τ$ from the returned set may be removed. We focus on the worst-case setting considered in (Orlin et al., 2016), in which a constant-factor approximation guarantee was given for $τ= o(\sqrt{k})$. In this paper, we solve a key open problem raised therein, presenting a new Partitioned Robust (PRo) submodular maximization algorithm that achieves the same guarantee for more general $τ= o(k)$. Our algorithm constructs partitions consisting of buckets with exponentially increasing sizes, and applies standard submodular optimization subroutines on the buckets in order to construct the robust solution. We numerically demonstrate the performance of PRo in data summarization and influence maximization, demonstrating gains over both the greedy algorithm and the algorithm of (Orlin et al., 2016).

研究の動機と目的

• PRoが $\tau = o(k)$ の範囲で定数乗数の近似を達成できるかどうかを解決し、従来の $\tau = o(\sqrt{k})$ の限界を超える。
• サイズ $k$ の選択集合から $\tau$ 個の要素が悪意的に削除された場合の高ロバスト性を保証する、効率的で多項式時間のアルゴリズムを設計する。
• ロバスト性と目的関数値のバランスを取るために、指数関数的に増加するバケツサイズを持つ新しい分割構造を提案する。
• 実世界の応用、例えばデータ要約やインフルエンサー最大化において、PRoがグリーディ法やOSUアルゴリズムを上回ることを実験的に検証する。
• ステージド・サブラウチンがPRoで使用可能であり、ロバスト性にほとんど損失を生じさせず、スケーラビリティを実現できることを示す。

提案手法

• PRoアルゴリズムは、解集合を $O(\log k)$ 個のバケツに分割し、初期バケツを小さなサイズから開始して指数関数的にサイズを増加させる。
• 各バケツは独立に処理され、標準的なサブモジュラ最適化サブルーチン（例：グリーディ法や確率的グリーディ法）を用いてマージナルゲインを最大化する。
• アルゴリズムは、$\tau$ 個の要素が悪意的に削除された場合でも耐性を持つ「ロバスト部分」を、サイズが増加する複数のバケツの結果を集約することで構築する。
• 主な分析的革新は、隣接するパーティション間の目的関数値の再帰的関係であり、定数乗数の近似を証明可能にする。
• バケツサイズが $2^i$ として非均一に増加する分割戦略を採用することで、$O(\tau \mathrm{poly}\log\tau)$ のロバスト要素でロバスト性要件を効率的に満たす。
• アルゴリズムは効率的であり、$O(nk)$ 個のオракルクエリで済み、決定的および確率的サブルーチンの両方をサポートする。

実験結果

リサーチクエスチョン

• RQ1 従来の $\tau = o(\sqrt{k})$ の境界を超えて、$\tau = o(k)$ の条件下で定数乗数の近似が達成可能かどうか。
• RQ2 新しい分割構造がロバスト性を向上させつつ、計算効率を維持できるか。
• RQ3 提案されたPRoアルゴリズムが、グリーディ法やOSUアルゴリズムに比べ、最悪ケースのロバスト目的関数値において優れているか。
• RQ4 PRoで確率的グリーディサブルーチンを使用した場合、ロバスト性と目的関数値にどの程度の影響が生じるか。
• RQ5 提案されたアルゴリズムは、インフルエンサー最大化やデータ要約のような大規模応用においてスケーラブルかつ有効であるか。

主な発見

• PRoは $\tau = o(k)$ の条件下で定数乗数の近似保証を達成し、Orlinら（2016）が提示した未解決問題を解決した。
• 特に $\tau$ が大きい状況では、グリーディ法やOSUアルゴリズムに比べ、$\tau$ 個の要素が悪意的に削除された後のロバスト性が顕著に優れている。
• ego-Facebook および ego-Twitter データセットにおける実験では、$\tau=7$ の削除後、グリーディ法がより高い原始的値を示したにもかかわらず、PRo-GreedyはOSUやグリーディ法よりも高いロバスト目的関数値を達成した。
• CM-Molecules データセットでは、PRo-Greedyが最も高いロバスト目的関数値を達成し、次いでOSU、グリーディ法の順に優れていた。これは、ロバスト性において一貫した優位性を示している。
• PRoで確率的グリーディサブルーチンを使用した場合、性能低下はわずかに抑えられ、計算コストを削減しつつもロバスト性を維持できることを示した。
• PRoは $k \geq \tau \log \tau$ で動作可能である一方、OSUは $k \geq \tau^2$ を必要とするため、PRoはより大きな $\tau$ の設定でも適用可能である。