[論文レビュー] Submodular Maximization under Supermodular Constraint: Greedy Guarantees

Ajitesh Srivastava, Shanghua Teng|arXiv (Cornell University)|Feb 18, 2026

Complexity and Algorithms in Graphs被引用数 0

ひとこと要約

この論文は、上限を持つスーパーモジュラー制約の下で単調サブモジュラー関数を最大化することを分析し、比率ベースの貪欲アルゴリズムと二重基準保証を提案し、双対性結果と実験を示す。

ABSTRACT

Motivated by a wide range of applications in data mining and machine learning, we consider the problem of maximizing a submodular function subject to supermodular cost constraints. In contrast to the well-understood setting of cardinality and matroid constraints, where greedy algorithms admit strong guarantees, the supermodular constraint regime remains poorly understood -- guarantees for greedy methods and other efficient algorithmic paradigms are largely open. We study this family of fundamental optimization problems under an upper-bound constraint on a supermodular cost function with curvature parameter $γ$. Our notion of supermodular curvature is less restrictive than prior definitions, substantially expanding the class of admissible cost functions. We show that our greedy algorithm that iteratively includes elements maximizing the ratio of the objective and constraint functions, achieves a $\left(1 - e^{-(1-γ)} ight)$-approximation before stopping. We prove that this approximation is indeed tight for this algorithm. Further, if the objective function has a submodular curvature $c$, then we show that the bound further improves to $\left(1 - (1- (1-c)(1-γ))^{1/(1-c)} ight)$, which can be further improved by continuing to violate the constraint. Finally, we show that the Greedy-Ratio-Marginal in conjunction with binary search leads to a bicriteria approximation for the dual problem -- minimizing a supermodular function under a lower bound constraint on a submodular function. We conduct a number of experiments on a simulation of LLM agents debating over multiple rounds -- the task is to select a subset of agents to maximize correctly answered questions. Our algorithm outperforms all other greedy heuristics, and on smaller problems, it achieves the same performance as the optimal set found by exhaustive search.

研究の動機と目的

• サブモジュラー関数をスーパーモジュラーコストの上限 θ の制約の下で最大化する問題を動機づけ、形式化する。
• 貪欲比率ベースのアルゴリズムを導入し、スーパーモジュラー曲率に結びつく二重基準近似保証を確立する。
• 目的関数と制約の曲率が保証をどう改善し、結果を双対問題へ拡張できるかを分析する。
• LLM 譁論エージェントのシミュレーションを通じて実用的な性能を示し、他のヒューリスティックと比較する。

提案手法

• f が単調サブモジュラー、g が単調スーパーサブモジュラー、上限予算を θ とする SMSC 問題を定義する。
• 要素 v を選択する際に S に対する f(v|S)/g(v|S) を最大化する Greedy Ratio-Marginal ルールを提案し、予算を超えた時点で停止する。
• g の曲率 γ を用いた分析を導入し、 bicriteria 保証として f(S_k) ≥ (1−e^{−(1−γ)}) f(S*) および g(S_k) ≤ ((2−γ)/(1−γ)) θ の形を導出する。
• 曲率が既知の場合、保証をさらに引き締める refinements を提供する。
• 制約を越える継続的な overflow に対する分析を拡張し、より良い境界を得る。
• 二分探索を用いた双対問題のアプローチを説明し、二重基準の primal 保証を dual 保証へ変換する。

Figure 1 . Summary of our results for submodular maximization with supermodular constraint: We find the approximation factor as a function of the supermodular curvature (right) when Greedy algorithm exceeds the constraint for the first time. We obtain better approximation when submodular objective h

実験結果

リサーチクエスチョン

• RQ1 貪欲法はスーパーモジュラー制約下のサブモジュラー関数最大化に対してどの程度の近似保証を達成できるか？
• RQ2 SMSC における γ（スーパーモジュラー曲率）と c（サブモジュラー曲率）は greedy アルゴリズムの性能にどのように影響するか？
• RQ3 制約が超過された場合に二重基準保証を提供する貪欲法を拡張できるか、そしてこれらの界はどの程度厳密か？
• RQ4 提案手法を用いて双対問題（サブモジュラー制約の下でスーパーサブモジュラー関数を最小化）をどう扱えるか？
• RQ5 現実的なシミュレーション（例：LLM 談論エージェント）での経験的結果は、理論的保証と提案手法の競争力を支持するか？

主な発見

• Greedy Ratio-Marginal アルゴリズムは二重基準保証を達成する：初めての overflow 後、f(S_k) ≥ (1−e^{−(1−γ)}) f(S*) または曲率が既知の場合には境界がそれに応じて改善される。
• overflow は β ≤ (2−γ)/(1−γ) によって制限され、予算の違反を具体的に示しつつ定数因子の近似を維持する。
• サブモジュラー目的が曲率 c を持つ場合、境界は c と γ に依存するより厳密な表現へ改善される。
• 著者は貪欲法の境界の鋭さを証明し、近似が 1−e^{−(1−γ)} に近づく実例が存在することを示す。
• 二重性の結果は、 primal の二重基準を二分探索ベースの還元で dual 問題の二重基準へ変換できることを示す。

Figure 2 . Instance of max cover with supermodular cost.