[논문 리뷰] A Randomized Algorithm Based on Threshold Accepting to Approximate the Star Discrepancy

Michael Gnewuch, Magnus Wahlström외 1명|arXiv (Cornell University)|2011. 03. 10.

Mathematical Approximation and Integration참고 문헌 29인용 수 13

한 줄 요약

이 논문은 고차원 공간 내 점 집합의 별 이질성(star discrepancy)을 근사하기 위한 향상된 랜덤화된 임계값 수용 알고리즘을 제안한다. 비균일 샘플링과 임계 테스트 상자 라운딩을 도입함으로써, 이전 알고리즘보다 훨씬 뛰어난 성능을 달성하며, 타당한 경우에 정확한 이질성을 자주 계산하고 고차원에서 기존 방법을 능가한다.

ABSTRACT

We present a new algorithm for estimating the star discrepancy of arbitrary point sets. Similar to the algorithm for discrepancy approximation of Winker and Fang [SIAM J. Numer. Anal. 34 (1997), 2028--2042] it is based on the optimization algorithm threshold accepting. Our improvements include, amongst others, a non-uniform sampling strategy which is more suited for higher-dimensional inputs, and rounding steps which transform axis-parallel boxes, on which the discrepancy is to be tested, into \emph{critical test boxes}. These critical test boxes provably yield higher discrepancy values, and contain the box that exhibits the maximum value of the local discrepancy. We provide comprehensive experiments to test the new algorithm. Our randomized algorithm computes the exact discrepancy frequently in all cases where this can be checked (i.e., where the exact discrepancy of the point set can be computed in feasible time). Most importantly, in higher dimension the new method behaves clearly better than all previously known methods.

연구 동기 및 목표

• 차원 d에서 NP-완전이자 W[1]-완전인 별 이질성 추정의 계산적 과제를 해결한다.
• 이전 알고리즘이 실패하거나 비효율적으로 확장되는 고차원 환경에서 기존 히ュ리스틱 방법을 향상시킨다.
• 실용적이고 효율적인 알고리즘을 개발하여 별 이질성에 대한 고품질의 하한을 제공함으로써, 저이질성 수열의 평가를 향상시킨다.
• 핵심 구성 요소로 효율적인 이질성 추정을 제공함으로써 저이질성 점 집합의 더 빠른 반정적 구축을 가능하게 한다.
• 이전의 임계값 수용 및 정수계획법 기반 접근 방식의 한계를 극복하여 수렴성과 해 품질을 향상시킨다.

제안 방법

• 제어된 악화된 해 수용을 통해 반복적 국소 탐색을 사용하는 임계값 수용 메타휴리스틱을 별 이질성 문제에 적응시킨다.
• 특히 고차원에서 높은 국소 이질성을 가진 영역을 더 잘 타겟팅하기 위해 단위 입방체 내에서 비균일한 테스트 점 샘플링을 도입한다.
• 임의의 축에 평행한 상자를 임계 테스트 상자로 변환하기 위한 라운딩 단계를 적용하여, 더 높은 이질성 값을 보장하는 상자를 확보한다.
• 임계 테스트 상자를 사용해 국소 이질성의 전역 최대값을 포함하는 영역에 집중함으로써 탐색 효율성을 향상시킨다.
• 결과의 안정성과 신뢰도를 향상시키기 위해 100,000회 반복을 각 시도로 하는 best-of-10 전략을 구현한다.
• 이질성 함수의 구조와 Γ(X) 또는 그 클로처에 있는 점들에서 상한이 도달된다는 사실을 활용한다.

실험 결과

연구 질문

• RQ1 임계값 수용 기반 알고리즘이 고차원 점 집합의 별 이질성을 더 잘 근사하기 위해 크게 향상시킬 수 있는가?
• RQ2 비균일한 테스트 상자 샘플링이 균일한 샘플링보다 수렴 속도를 빠르게 하고 더 고품질의 하한을 제공하는가?
• RQ3 임의의 상자를 임계 테스트 상자로 라운딩함으로써 이질성 추정의 정확도를 향상시킬 수 있는가? 특히 이질성의 최대값을 갖는 영역에 집중함으로써.
• RQ4 Thiémard의 정수계획법 기반 방법과 다른 기존 히ュ리스틱 방법과 비교해 본 알고리즘의 성능과 정확도는 어떠한가?
• RQ5 어느 정도의 정도에서 알고리즘이 가능할 경우 정확한 별 이질성을 계산할 수 있는가?

주요 결과

• 향상된 알고리즘 TA_improved는 정확한 계산이 가능한 경우에 자주 정확한 별 이질성을 계산하며, 높은 신뢰성을 보여준다.
• 고차원에서 TA_improved는 이전에 알려진 모든 방법보다 일관되게 뛰어난 성능을 보이며, 확장성과 정확도에서 명확한 이점이 있다.
• 256개 점을 가진 12차원 Sobol’ 수열에 대해, TA_improved는 35초 만에 0.1110의 이질성 추정치를 도출했고, Thiémard의 방법은 3초 만에 0.0872에 그치며 추가로 향상시키기 위해 1.6일이 넘게 소요되었다.
• 1500개 점을 가진 20차원 Faure 수열에 대해, TA_improved는 4.7분 만에 0.0740의 결과를 도출했고, Thiémard의 방법은 7분이 걸려 0.0732에 도달했으며, 4일이 넘도록도 TA_improved의 결과를 따라오지 못했다.
• 알고리즘의 성능은 강인하다: 다른 방법들이 훨씬 더 많은 시간을 할애하더라도, 항상 더 나은 하한을 지속적으로 제공한다.
• 임계 테스트 상자와 비균일 샘플링의 사용은 특히 고차원 사례에서 수렴 속도를 빠르게 하고 더 고품질의 해를 도출하는 데 기여한다.