[論文レビュー] Universal Algorithms for Clustering Problems

Arun Ganesh, Bruce M. Maggs+1 more|arXiv (Cornell University)|Jan 1, 2021

Facility Location and Emergency Management被引用数 1

ひとこと要約

本稿では、k-メディアン、k-ミーン、k-センターのクラスタリング問題に対する、初めてのユニバーサルアルゴリズムを提示する。新しい線形計画法（LP）緩和フレームワークを用いて、(O(1), O(1))-近似保証を達成する。主な貢献は、実際のクライアント集合が事前に不明な状況下でも、すべてのクライアント部分集合に対してレジーット最小化解の定数倍近似を達成できることであり、より良い保証がNP困難であることを示すタイトな下界結果も得ている。

ABSTRACT

This paper presents universal algorithms for clustering problems, including the widely studied k-median, k-means, and k-center objectives. The input is a metric space containing all potential client locations. The algorithm must select k cluster centers such that they are a good solution for any subset of clients that actually realize. Specifically, we aim for low regret, defined as the maximum over all subsets of the difference between the cost of the algorithm’s solution and that of an optimal solution. A universal algorithm’s solution sol for a clustering problem is said to be an (α, β)-approximation if for all subsets of clients C', it satisfies sol(C') ≤ α ⋅ opt(C') + β ⋅ mr, where opt(C') is the cost of the optimal solution for clients C' and mr is the minimum regret achievable by any solution. Our main results are universal algorithms for the standard clustering objectives of k-median, k-means, and k-center that achieve (O(1), O(1))-approximations. These results are obtained via a novel framework for universal algorithms using linear programming (LP) relaxations. These results generalize to other 𝓁_p-objectives and the setting where some subset of the clients are fixed. We also give hardness results showing that (α, β)-approximation is NP-hard if α or β is at most a certain constant, even for the widely studied special case of Euclidean metric spaces. This shows that in some sense, (O(1), O(1))-approximation is the strongest type of guarantee obtainable for universal clustering.

研究の動機と目的

• 全クライアント集合が事前に不明な状況下でも、任意のクライアント部分集合に対して近似的に最適なクラスタリング解を提供するユニバーサルアルゴリズムを設計すること。
• レジーットを最小化すること——これは、すべての可能なクライアント部分集合において、アルゴリズムのコストと最適コストとの最大差を意味する。
• 定数αとβを用いた(α, β)-近似保証を導入することで、ユニバーサルクラスタリングのタイトな近似バウンドを確立すること。
• O(1), O(1))-近似を上回る近似が得られることのNP困難性を証明すること。これは、ユークリッド空間でさえも成り立つ。これにより、ユニバーサルクラスタリング近似の限界が明らかになる。

提案手法

• メトリック空間入力を用いて、すべてのクライアント部分集合に対するレジーット最小化問題としてユニバーサルクラスタリングを定式化する。
• コストとレジーットの両方をバランスさせるユニバーサル解を導出するための、新しいLP緩和フレームワークを開発する。
• 縮小されたクラスタリングインスタンスの性質を用いて、近似保証を平面3-SATへの変換に利用し、下界を示す。
• 平面3-SATからの還元を適用することで、αまたはβが特定の定数未満である(α, β)-近似がNP困難であることを証明する。
• 最小レジーット解（MR）の構造を分析し、近似保証のベンチマークとして用いる。
• フレームワークをℓp目的関数および固定クライアントを含む設定に一般化し、その広範な適用可能性を示す。

実験結果

リサーチクエスチョン

• RQ1 k-メディアン、k-ミーン、k-センターのユニバーサルアルゴリズムを設計でき、コストとレジーットの両方において定数倍近似を達成できるか？
• RQ2 メトリック空間におけるユニバーサルクラスタリングにおいて、αとβが絶対定数に有界な(α, β)-近似を達成することは可能か？
• RQ3 ユニバーサルクラスタリングの近似に内在する限界は何か？(O(1), O(1))-近似を上回る近似は達成可能か？
• RQ4 非ユニバーサル近似要因に一致するαを有する(α, β)-近似が、ユニバーサルクラスタリング問題においてNP困難であるか？
• RQ5 k個以上のクラスタ中心を用いることで、近似定数を改善でき、これにより既存の下界が破られるか？

主な発見

• 本稿では、新しいLPベースのフレームワークを用いて、ユニバーサルk-メディアン、k-ミーン、k-センタークラスタリングに対する、初めての(O(1), O(1))-近似アルゴリズムを提示する。
• R²におけるℓp-クラスタリングにおいて、β = 1 である(α, β)-近似解を求めるのは、すべてのp ≥ 1 に対してNP困難であり、αが定数であっても同様である。
• 特定のメトリックインスタンスでは最小レジーット（MR）が0から離れているため、レジーットを伴わない厳密なα-近似は不可能である。
• 平面3-SATからの還元により、αまたはβが特定の定数未満である(α, β)-近似がNP困難であることが示され、(O(1), O(1))が達成可能な最強の保証であることが証明された。
• フレームワークはℓp目的関数および固定クライアントを含む設定へ一般化可能であり、広範な適用可能性が示された。
• 2k−1個の中心を用いることで定数が著しく改善される——例えば、k-メディアンでは(27, 49)-近似が(9, 18)に改善されるが、(1−ε)k ln n個の中心では依然として下界が成立する。