[논문 리뷰] A Nearly-linear Time Algorithm for Submodular Maximization with a Knapsack Constraint

Alina Ene, Huy L. Nguyên|arXiv (Cornell University)|2017. 09. 27.

Complexity and Algorithms in Graphs인용 수 29

한 줄 요약

이 논문은 나이스라인 타임 알고리즘을 제안하며, 캐리어 제약 조건 하에서 단조 증가하는 하위모듈라 최대화 문제에 대해 $1-1/e - \epsilon$ 근사 비율을 달성한다. 분수 변수를 일정 수로 유지함으로써, 다중선형 확장 평가의 $\Omega(n^2)$ 병목 현상을 피할 수 있으며, 이로 인해 $O((1/\epsilon)^{O(1/\epsilon^4)} n \log^2 n)$회의 산술 연산과 함수 평가가 가능해진다.

ABSTRACT

We consider the problem of maximizing a monotone submodular function subject to a knapsack constraint. Our main contribution is an algorithm that achieves a nearly-optimal, $1 - 1/e - \\epsilon$ approximation, using $(1/\\epsilon)^{O(1/\\epsilon^4)} n \\log^2{n}$ function evaluations and arithmetic operations. Our algorithm is impractical but theoretically interesting, since it overcomes a fundamental running time bottleneck of the multilinear extension relaxation framework. This is the main approach for obtaining nearly-optimal approximation guarantees for important classes of constraints but it leads to $\\Omega(n^2)$ running times, since evaluating the multilinear extension is expensive. Our algorithm maintains a fractional solution with only a constant number of entries that are strictly fractional, which allows us to overcome this obstacle.

연구 동기 및 목표

• 하위모듈라 최대화 문제에서 다중선형 확장 기반 알고리즘에 내재된 $\Omega(n^2)$ 실행 시간 병목 현상을 극복하기 위해.
• 단조 증가하는 하위모듈라 함수에 대해 캐리어 제약 조건 하에서 거의 최적의 $1-1/e - \epsilon$ 근사 비율을 달성하는 거의 선형 시간 알고리즘을 설계하기 위해.
• 분수 해를 유지하면서 엄밀히 분수인 항목의 수를 일정 수로 제한함으로써, 정확하고 효율적인 다중선형 확장 평가를 가능하게 하기 위해.
• 이전 알고리즘의 기술적 결함, 예를 들어 큰 항목 수에 대한 잘못된 가정과 겹치는 항목-파트 할당 하에서의 잘못된 라운딩 절차를 수정하기 위해.

제안 방법

• 알고리즘은 다중선형 확장의 완화 프레임워크를 사용하지만, 언제나 일정 수의 분수 변수만 존재하도록 보장함으로써 평가 비용을 극적으로 감소시킨다.
• 분수 질량이 $\mathrm{OPT}$의 원소들에 비용 내림차순으로 할당되는 인variant를 유지함으로써, 반복 간에도 구조적 보장을 유지한다.
• 라운딩 절차는 최대 두 개의 고비용 원소 간에 분수 값을 동적으로 조정하여, 각 업데이트 후에도 인variant가 유지되도록 한다.
• 모든 항목을 마진널 가치와 비용 기준으로 큰 항목과 작은 항목으로 분할하며, 큰 항목은 열거하고 작은 항목은 근사 패킹 방식으로 처리한다.
• 알고리즘은 $\mathrm{OPT}$의 그레디 순서를 활용해 가치 있는 항목을 식별하고, 나머지 항목은 마진널 이득 대 비용 밀도를 기반으로 패킹한다.
• 라운딩 단계 동안 분수 질량 재할당 및 할당 갱신을 통해 인variant를 유지함으로써 정확성을 확보한다.

실험 결과

연구 질문

• RQ1 캐리어 제약 조건 하에서 단조 증가하는 하위모듈라 최대화 문제에 대해 거의 선형 시간 알고리즘이 $1-1/e - \epsilon$ 근사 비율을 달성할 수 있는가?
• RQ2 분수 변수의 수를 일정 수로 유지할 때, 다중선형 확장 평가의 병목 현상을 어떻게 극복할 수 있는가?
• RQ3 라운딩 과정에서 근사 보장을 확보하면서 함수 평가 횟수를 최소화하기 위해 유지할 수 있는 구조적 인variant는 무엇인가?
• RQ4 이전 알고리즘의 기술적 결함, 예를 들어 큰 항목 수에 대한 잘못된 가정을 어떻게 보완할 수 있는가?
• RQ5 분할 매트로이드 환경에서 여러 파art에 속하는 항목을 중복 계산하는 것을 피할 수 있도록 라운딩 절차를 어떻게 설계할 수 있는가?

주요 결과

• 알고리즘은 캐리어 제약 조건 하에서 단조 증가하는 하위모듈라 최대화 문제에 대해 $1-1/e - \epsilon$ 근사 비율을 달성한다.
• 실행 시간은 $(1/\epsilon)^{O(1/\epsilon^4)} n \log^2 n$회의 산술 연산과 함수 평가로 제한되며, 거의 선형 시간 복잡도를 달성한다.
• 분수 변수의 수를 일정 수로 제한함으로써, 다중선형 확장의 정확한 평가를 호출당 일정 시간 내에 수행할 수 있다.
• 기존 연구에서 알려진 기술적 문제, 예를 들어 큰 항목 집합의 크기에 대한 잘못된 가정과 겹치는 항목-파트 할당 하에서의 잘못된 라운딩 절차를 모두 해결한다.
• 분수 질량이 $\mathrm{OPT}$ 원소들에 비용 내림차순으로 할당되는 인variant는 모든 라운딩 단계 동안 유지되며, 이는 정확성을 보장한다.
• 분석 결과, $f(\mathrm{OPT}_1 \cup \mathrm{OPT}'_2) \geq (1 - \epsilon)f(\mathrm{OPT})$임을 입증하였으며, 여기서 $\mathrm{OPT}'_2$는 $\mathrm{OPT}_2$의 저비용 항목들을 포함한다. 이는 그레디 패킹 전략의 타당성을 뒷받침한다.