[論文レビュー] Stochastic Knapsack: Semi-Adaptivity Gaps and Improved Approximation

Zohar Barak, Inbbal Talgam-Cohen|arXiv (Cornell University)|Feb 27, 2026

Optimization and Search Problems被引用数 0

ひとこと要約

本論文は Risky-Stochastic Knapsack の半適応ポリシーを研究し、適応性ギャップの上界を改善するとともに、従来より良い近似を提供する定数個の適応的クエリ戦略を提示します。

ABSTRACT

In stochastic combinatorial optimization, algorithms differ in their adaptivity: whether or not they query realized randomness and adapt to it. Dean et al. (FOCS '04) formalize the adaptivity gap, which compares the performance of fully adaptive policies to that of non-adaptive ones. We revisit the fundamental Stochastic Knapsack problem of Dean et al., where items have deterministic values and independent stochastic sizes. A policy packs items sequentially, stopping at the first knapsack overflow or before. We focus on the challenging risky variant, in which an overflow forfeits all accumulated value, and study the problem through the lens of semi-adaptivity: We measure the power of $k$ adaptive queries for constant $k$ through the notions of $0$-$k$ semi-adaptivity gap (the gap between $k$-semi-adaptive and non-adaptive policies), and $k$-$n$ semi-adaptivity gap (between fully adaptive and $k$-semi-adaptive policies). Our first contribution is to improve the classic results of Dean et al. by giving tighter upper and lower bounds on the adaptivity gap. Our second contribution is a smoother interpolation between non-adaptive and fully-adaptive policies, with the rationale that when full adaptivity is unrealistic (due to its complexity or query cost), limited adaptivity may be a desirable middle ground. We quantify the $1$-$n$ and $k$-$n$ semi-adaptivity gaps, showing how well $k$ queries approximate the fully-adaptive policy. We complement these bounds by quantifying the $0$-$1$ semi-adaptivity gap, i.e., the improvement from investing in a single query over no adaptivity. As part of our analysis, we develop a 3-step "Simplify-Equalize-Optimize" approach to analyzing adaptive decision trees, with possible applications to the study of semi-adaptivity in additional stochastic combinatorial optimization problems.

研究の動機と目的

• Overflow時に蓄積価値がすべて失われるリスク付きの Stochastic Knapsack を再検討する。
• 0-k および k-n の半適応性ギャップ、特に定数 k に対する適応性の力を定量化する。
• 少数の適応クエリで改善された近似比を達成する多項式時間アルゴリズムを開発する。
• 非適応と全適応ポリシーの間の滑らかな内挿を提供する。
• 他の確率的問題に適用可能な適応決定木を分析する3段階手法を導入する。

提案手法

• Risky-SK および Non-Risky-SK について 0-k および k-n 半適応性ギャップを定義・分析する。
• 簡単な非適応ポリシーを設計し、1つの適応選択を追加してガバナンスを改善する。
• ε-閾値によりアイテムを小/大に分割し、k 個の適応クエリを持つポリシーを開発する。
• LP ベースの上界と Simple-Greedy アプローチを用いて適応性ギャップを境界化する。
• ギャップを境界化し最悪ケースの実例を導くために、3段階の Simplify-Equalize-Optimize フレームワークを適用する。
• H_k インスタンスファミリに焦点を当て、高さ k の適応木を捉えることにより境界を証明する。

実験結果

リサーチクエスチョン

• RQ1 Risky Overflow の下での Stochastic Knapsack の性能に対する適応クエリの制限の影響は。
• RQ2 Risky-SK および Non-Risky-SK において 0-k および k-n 半適応性ギャップはどれくらい大きくなり得るか。
• RQ3 定数個の適応選択で全適応ポリシーを小さな加法的要因で近似できるか。
• RQ4 半適応性の下で小アイテムと大アイテムは実現可能な近似にどう影響するか。
• RQ5 1 回の適応選択の利得（0-1 ギャップ）の厳密性と 1-n ギャップの境界はどの程度厳密か。

主な発見

• Risky-SK における 0-n 全適応ギャップ: 上界 8.47 および下界 2。
• Risky-SK における 0-1 半適応性ギャップ: 上界・下界ともに 1.69。
• Risky-SK における 1-n 半適応性ギャップ: 上界 8.26 および下界 1.18。
• Risky-SK の k-n 半適応性ギャップ（k = ~O(1/ε)）: 上界 6.44 + sqrt(ε)。
• Non-Risky-SK では同様のギャップが改善され、ε-Noisy Bernoulli 場合の上界 2 と関連例の下界 1.37 を含む。
• 結果は、定数個の適応クエリが非適応ポリシーより大幅に改善できることを示し、0-k と k-n のギャップの積が標準的適応ギャップを上界することを示唆する。