[論文レビュー] Unconstrained Submodular Maximization with Constant Adaptive Complexity

Lin Chen, Moran Feldman+1 more|arXiv (Cornell University)|Nov 15, 2018

Complexity and Algorithms in Graphs被引用数 7

ひとこと要約

この論文は、唯一の適応的ラウンド数が $\tilde{O}(\varepsilon^{-1})$ で、線形のクエリ複雑度を満たす、非制約サブモジュラ最大化のための最初のアルゴリズムを提示する。このアルゴリズムはサブモジュラ関数の連続的緩和と、ラウンド数が有界な新しい適応的手順を活用し、最適解を効率的に近似しながら、高い並列性を維持する。

ABSTRACT

In this paper, we consider the unconstrained submodular maximization problem. We propose the first algorithm for this problem that achieves a tight $(1/2-\varepsilon)$-approximation guarantee using $ ilde{O}(\varepsilon^{-1})$ adaptive rounds and a linear number of function evaluations. No previously known algorithm for this problem achieves an approximation ratio better than $1/3$ using less than $Ω(n)$ rounds of adaptivity, where $n$ is the size of the ground set. Moreover, our algorithm easily extends to the maximization of a non-negative continuous DR-submodular function subject to a box constraint and achieves a tight $(1/2-\varepsilon)$-approximation guarantee for this problem while keeping the same adaptive and query complexities.

研究の動機と目的

• 非制約サブモジュラ最大化における適応的複雑度のギャップを埋めること。過去のアルゴリズムは、定数近似比を達成しながらも、$\Omega(n)$ ラウンドを必要としていた。
• 非制約サブモジュラ最大化に対して、タイトな $(1/2 - \varepsilon)$-近似保証を、定数の適応的複雑度で達成すること。
• ボックス制約下での連続的 DR-サブモジュラ関数へのアルゴリズムの拡張を図り、同じ複雑度の保証を維持すること。
• 低適応性で高品質な近似が可能であることを示し、大規模な設定における効率的な並列化を可能にすること。

提案手法

• アルゴリズムはサブモジュラ関数の連続的緩和を用い、ボックス制約の下で連続的 DR-サブモジュラ関数を最大化する問題として扱う。
• ラウンド数が有界であるように設計された、新しい適応的手順 Pre-Process を導入し、一様な差分 $\Delta \cdot \mathbf{1}_\cN$ を持つ二つのベクトル $x$ と $y$ を計算する。
• パラメータ $t$ でパrameter化された経路に沿った方向微分のチェーンルールに基づく解析を用い、関数値の変化に上限を設定する。
• 値オракルと微分オラクルの両方を組み合わせたハイブリッド戦略を採用し、部分勾配を推定し、高価値解への探索を導く。
• 反復的改善を通じて候補解を維持し、$x$ から $y$ への注意深く設計された経路を用いて、近似保証を確立する。
• DR-サブモジュラ性を活用して、経路に沿った関数値の差を制限し、$(1/2 - \varepsilon)$-近似の導出を可能にする。

実験結果

リサーチクエスチョン

• RQ1 非制約サブモジュラ最大化に対して、$n$ に依存しない適応的複雑度で $(1/2 - \varepsilon)$-近似が達成可能か？
• RQ2 低適応的ラウンド数で、近似的に最適な近似比を達成しつつ、線形クエリ複雑度を維持することは可能か？
• RQ3 同じ複雑度保証を維持したまま、ボックス制約下の連続的 DR-サブモジュラ関数へアルゴリズムを拡張可能か？
• RQ4 非制約サブモジュラ最大化で定数近似を達成するために必要な最小の適応的ラウンド数はいくつか？

主な発見

• 提案されたアルゴリズムは、非制約サブモジュラ最大化に対して $\tilde{O}(\varepsilon^{-1})$ の適応的ラウンド数で $(1/2 - \varepsilon)$-近似を達成する。
• アルゴリズムは、基底集合のサイズ $n$ に対して線形の関数評価回数しか必要としない。
• この手法はボックス制約下の連続的 DR-サブモジュラ関数へ拡張可能であり、同じ近似と複雑度保証を維持する。
• 従来の研究では、サブ線形な適応的ラウンド数で $1/3$-近似を超えることができなかったが、本研究はこれを改善する。
• 解析により、適応的ラウンド数が $n$ とは独立して有界であることが示され、低適応的サブモジュラ最適化分野における未解決問題が解決された。
• アルゴリズムの設計により、$x$ と $y$ 間の勾配変動が $16\tau$ 以内に制限され、関数値の精密な比較が可能になる。