[논문 리뷰] Adaptivity gaps for stochastic probing: submodular and XOS functions

Anupam Gupta, Viswanath Nagarajan외 1명|arXiv (Cornell University)|2017. 01. 16.

Auction Theory and Applications인용 수 35

한 줄 요약

이 논문은 원소가 무작위로 활성화되고 상태를 드러내기 위해 조사되어야 하는 확률적 프로빙에 대한 순하위모듈러 및 XOS(분수적 하향가소성) 함수에서의 적응성 갭을 연구한다. 단조성 및 비단조성 순하위모듈러 함수의 경우 갭이 상수임을 입증하고, 너비가 작은 XOS 함수의 경우 갭이 로그적임을 보이며, 이러한 경우 비적응 전략이 적응 전략과 거의 동일한 효율성을 가지며 효과적으로 사용될 수 있음을 보여준다.

ABSTRACT

Suppose we are given a submodular function f over a set of elements, and we want to maximize its value subject to certain constraints. Good approximation algorithms are known for such problems under both monotone and non-monotone submodular functions. We consider these problems in a stochastic setting, where elements are not all active and we only get value from active elements. Each element e is active independently with some known probability pe, but we don't know the element's status a priori: we find it out only when we probe the element e. Moreover, the sequence of elements we probe must satisfy a given prefix-closed constraint, e.g., matroid, orienteering, deadline, precedence, or any downward-closed constraint.In this paper we study the gap between adaptive and non-adaptive strategies for f being a submodular or a fractionally subadditive (XOS) function. If this gap is small, we can focus on finding good non-adaptive strategies instead, which are easier to find as well as to represent. We show that the adaptivity gap is a constant for monotone and non-monotone submodular functions, and logarithmic for XOS functions of small width. These bounds are nearly tight. Our techniques show new ways of arguing about the optimal adaptive decision tree for stochastic optimization problems.

연구 동기 및 목표

• 순하위모듈러 및 XOS 목표 함수 하에서 적응 전략과 비적응 전략 간의 상호 교환 관계를 이해하기 위해.
• 다양한 함수 클래스와 제약 조건 하에서 최적의 적응 전략과 비적응 전략 간 비율인 적응성 갭을 정량화하기 위해.
• 확률적 최적화에서 최적의 적응 결정 트리를 분석하기 위한 새로운 분석 기법을 개발하기 위해.
• 단조성 및 비단조성 순하위모듈러 함수, 그리고 너비가 작은 XOS 함수에 대해 적응성 갭에 거의 날카로운 경계를 설정하기 위해.
• 실제 응용에서 계산 및 표현을 단순화하기 위해 비적응 전략이 거의 최적일 수 있음을 보여주기 위해.

제안 방법

• 확률적 프로빙에서 적응 전략과 비적응 전략을 비교하기 위한 새로운 프레임워크를 사용하여 적응성 갭을 분석한다.
• 순하위모듈러 및 XOS 함수의 구조적 성질을 적용하여 적응 전략과 비적응 전략 간 성능 차이를 제한한다.
• 확률적 환경에서 최적의 결정 트리를 분석하기 위해 재귀적 분해 기법을 사용한다.
• 기존의 제약 조건 하에서 순하위모듈러 최적화 결과(예: 매트로이드, 오리엔티어링)를 활용하여 적응성 갭의 경계를 유도한다.
• XOS 함수의 너비 파라미터를 도입하여 적응성 갭 경계를 정밀화하고, 이 갭이 이 너비에 대해 로그적 의존성을 가지며 이는 거의 날카로운 경계임을 보여준다.
• 확률적 분석 및 농도론적 추론을 사용하여 적응 전략과 비적응 전략의 기대값을 비교한다.

실험 결과

연구 질문

• RQ1 접두사 닫힘 제약 조건이 있는 확률적 프로빙에서 단조성 순하위모듈러 함수에 대해 가능한 최대 적응성 갭은 얼마인가?
• RQ2 동일한 확률적 설정에서 비단조성 순하위모듈러 함수의 적응성 갭은 어떻게 행동하는가?
• RQ3 특히 함수의 너비가 작은 경우 XOS 함수의 적응성 갭은 무엇인가?
• RQ4 비적응 전략이 이러한 설정에서 최적의 적응 전략에 대해 상수 또는 로그적 근사치를 달성할 수 있는가?
• RQ5 확률적 최적화에서 최적의 적응 결정 트리를 분석하기 위한 새로운 분석 기법은 무엇인가?

주요 결과

• 접두사 닫힘 제약 조건이 있는 확률적 프로빙 하에서 단조성 및 비단조성 순하위모듈러 함수에 대해 적응성 갭은 상수로 제한된다.
• 너비가 작은 XOS 함수의 경우 적응성 갭은 너비에 대해 로그적이며, 이 경계는 거의 날카로운 편이다.
• 결과는 순하위모듈러 및 저너비 XOS 함수에 대해 비적응 전략이 거의 최적이 될 수 있음을 시사하며, 알고리즘 설계를 단순화한다.
• 분석 과정에서 확률적 환경에서 최적의 적응 결정 트리를 분석하기 위한 새로운 기법을 도입하였으며, 이는 현재 범위를 초월해 일반화될 수 있다.
• 적응성 갭에 대한 경계는 거의 날카로우며, 일반적으로 유도된 비율을 크게 향상시킬 수 없음을 시사한다.
• 이 프레임워크는 매트로이드, 오리엔티어링, 마감 시간, 순서, 하향 닫힘 제약 조건 등 다양한 제약 조건에 적용 가능하다.