[논문 리뷰] A parallel approximation algorithm for mixed packing and covering semidefinite programs

Rahul Jain, Penghui Yao|arXiv (Cornell University)|2012. 01. 29.

Advanced Optimization Algorithms Research참고 문헌 11인용 수 13

한 줄 요약

이 논문은 선형 프로그램에 대한 Young의 접근 방식을 영감으로 받아 혼합 포장 및 커버링 준선형형 프로그램에 대한 병렬 근사 알고리즘을 제시한다. 이 알고리즘은 $\mathrm{polylog}(n,m) \cdot \frac{1}{{\varepsilon}^4} \cdot \log\frac{1}{{\varepsilon}}$의 병렬 실행 시간을 달성하여 이전의 양의 준선형형 프로그램 연구에 비해 근사 요인 $\varepsilon$에 대한 의존도를 향상시킨다.

ABSTRACT

We present a parallel approximation algorithm for a class of mixed packing and covering semidefinite programs which generalize on the class of positive semidefinite programs as considered by Jain and Yao [2011]. As a corollary we get a faster approximation algorithm for positive semidefinite programs with better dependence of the parallel running time on the approximation factor, as compared to that of Jain and Yao [2011]. Our algorithm and analysis is on similar lines as that of Young [2001] who considered analogous linear programs.

연구 동기 및 목표

• 혼합 포장 및 커버링 준선형형 프로그램에 대해 빠른 병렬 근사 알고리즘을 개발하는 것, 이는 양의 준선형형 프로그램의 일반화이다.
• 이전에 준선형형 프로그램 알고리즘의 병렬 실행 시간을 저해하던 폭 매개변수에 대한 의존도를 제거하는 것.
• 특히 Jain와 Yao(2011)의 연구에 비해 양의 준선형형 프로그램의 근사 요인 $\varepsilon$에 대한 의존도를 더 좋게 만드는 것.
• Young(2001)의 선형 프로그램 프레임워크를 소프트 고유값 함수와 추적 기반 잠재 함수를 사용하여 준선형형 설정으로 확장하는 것.
• 이 일반화된 접근을 통해 양의 준선형형 프로그램의 분석을 단순화하고 수렴 속도를 높이는 것.

제안 방법

• 제약 행렬 $P$와 $C$가 항등행렬이 되도록 하는 표준형으로 타당성 문제를 변환하며, 이는 $\mathrm{polylog}(mn)$ 시간 내에 병렬으로 수행된다.
• 행렬 지수의 추적 기반 잠재 함수를 사용한다: $g = \frac{\operatorname{Tr}(\exp(\sum x_i P_i))}{\operatorname{Tr}(\exp(-\sum x_i C_i))}$, 이는 포장 및 커버링 제약 조건에서의 진행 상황을 추적한다.
• 각 증가가 $\sum x_i C_i$의 최소 고유값을 $\|\sum x_i P_i\|$의 증가와 관련된 인자로 증가시키도록 벡터 $x$를 유지함으로써 성장 속도를 통제한다.
• 각 반복에서 국소 이득 $\mathrm{local}_j(x)$를 최대화하는 색인 $j$를 선택한다. 이 국소 이득은 $P_j$와 $C_j$ 성분의 추적 증가 비율로 정의된다.
• 반복 수를 제한하고 $\mathcal{O}(N/\varepsilon)$의 전역 업데이트 내에 수렴을 보장하기 위해 임계값 $N = \frac{1}{{\varepsilon}}(\|\sum x_i P_i\| + 2\ln n + \ln m)$을 사용한다.
• 각 단계에서 $\|\sum x_i P_i\|$의 증가를 $\mathcal{O}(\varepsilon)$로 제한함으로써 $(1+9\varepsilon)$-근사 보장을 유지한다.

실험 결과

연구 질문

• RQ1 폭 매개변수에 대한 의존도 없이 혼합 포장 및 커버링 준선형형 프로그램에 대해 병렬 근사 알고리즘을 설계할 수 있는가?
• RQ2 Young(2001)의 선형 프로그램에 대한 접근 방식이 소프트 고유값 함수와 추적 기반 잠재 함수를 사용하여 준선형형 설정으로 확장될 수 있는가?
• RQ3 Jain와 Yao(2011)에 비해 양의 준선형형 프로그램의 실행 시간에서 $\varepsilon$에 대한 의존도를 향상시킬 수 있는가?
• RQ4 반복 업데이트에서 커버링 제약 조건의 성장과 포장 제약 조건의 제한된 증가 사이의 최적의 트레이드오프는 무엇인가?
• RQ5 입력 크기와 무관하게 각 반복에서 $\mathrm{polylog}(n,m)$ 시간 내에 병렬적으로 알고리즘을 구현할 수 있는가?

주요 결과

• 알고리즘은 병렬 실행 시간 $\mathrm{polylog}(n,m) \cdot \frac{1}{{\varepsilon}^4} \cdot \log\frac{1}{{\varepsilon}}$ 내에서 실행되며, 타당성 문제에 대한 $\varepsilon$-근사해를 달성한다.
• 알고리즘은 $\sum x_i^* P_i \leq (1+9\varepsilon)\mathbb{1}$ 및 $\sum x_i^* C_i \geq \mathbb{1}$를 보장하여 유효한 $\varepsilon$-근사해임을 확보한다.
• 양의 준선형형 프로그램(질문 Q3)의 경우, Jain와 Yao(2011)에 비해 실행 시간에서 $\varepsilon$-의존도를 더 좋게 달성하며, 분석도 간단하다.
• 전역 업데이트(즉, $g$가 증가하는 단계)의 수는 $\mathcal{O}(N/\varepsilon)$ 이하이며, 여기서 $N = \mathcal{O}(\frac{\ln(mn)}{{\varepsilon}})$이다.
• 고정된 $g$에 대해 반복 수는 $\mathcal{O}(N \log(mN)/\varepsilon)$이며, 각 단계는 병렬적으로 $\mathrm{polylog}(mn)$ 시간 내에 계산될 수 있다.
• 분석은 행렬 지수의 추적을 제한하고, 합 행렬의 노름 성장을 통제하기 위해 고유값의 소프트 판별을 사용한다.