[논문 리뷰] Algorithms for Probabilistically-Constrained Models of Risk-Averse Stochastic Optimization with Black-Box Distributions

Chaitanya Swamy|ArXiv.org|2008. 05. 04.

Risk and Portfolio Optimization참고 문헌 38인용 수 4

한 줄 요약

이 논문은 오직 샘플링 액세스만 제공되는 블랙박스 분포를 가진 확률적 제약 조건이 있는 위험 회피(stochastic optimization) 문제를 위한 새로운 근사 알고리즘을 제안한다. 선형계획법(LP) 리라크스레이션에 대해 전문화된 다항시간 근사체계(FPTAS)를 제시하고, 예산과 확률 임계값을 유한한 근사 요인 내에서 유지하는 라운딩 프레임워크를 개발하여, 이러한 유형의 문제에 대해 블랙박스 분포를 가진 최초의 결과를 달성한다.

ABSTRACT

We consider various stochastic models that incorporate the notion of risk-averseness into the standard 2-stage recourse model, and develop novel techniques for solving the algorithmic problems arising in these models. A key notable feature of our work that distinguishes it from work in some other related models, such as the (standard) budget model and the (demand-) robust model, is that we obtain results in the black-box setting, that is, where one is given only sampling access to the underlying distribution. Our first model, which we call the risk-averse budget model, incorporates the notion of risk-averseness via a probabilistic constraint that restricts the probability (according to the underlying distribution) with which the second-stage cost may exceed a given budget B to at most a given input threshold ρ. We also a consider a closely-related model that we call the risk-averse robust model, where we seek to minimize the first-stage cost and the (1-ρ)-quantile of the second-stage cost. We obtain approximation algorithms for a variety of combinatorial optimization problems including the set cover, vertex cover, multicut on trees, min cut, and facility location problems, in the risk-averse budget and robust models with black-box distributions. We obtain near-optimal solutions that preserve the budget approximately and incur a small blow-up of the probability threshold (both of which are unavoidable). To the best of our knowledge, these are the first approximation results for problems involving probabilistic constraints and black-box distributions. A major component of our results is a fully polynomial approximation scheme for solving the LP-relaxation of the risk-averse problem.

연구 동기 및 목표

• 오직 분포에 대한 샘플링 액세스만 제공될 때 위험 회피(stochastic optimization) 모델에 대한 근사 알고리즘을 개발하기 위해.
• 기존의 예산 모델과 강건 모델의 한계를 해결하기 위해, 이러한 모델들은 명시적 시나리오 열거가 필요하며 블랙박스 환경에서는 실패한다.
• 샘플링 제약 조건 하에서 예산과 확률 임계값 위반에 대해 근사 가능성을 유지하는 알고리즘을 설계하기 위해.
• 비균일한 시나리오 예산과 기대값 및 분위수 목표의 가중 조합을 포함하는 일반화된 위험 회피 강건 모델로 결과를 확장하기 위해.
• 블랙박스 모델에서 정확한 확률 임계값 만족을 달성할 수 없는 이유를 밝히기 위해 기본적인 샘플 복잡도 하한을 설정하기 위해.

제안 방법

• 위험 회피 예산 문제의 선형계획법(LP) 리라크스레이션을 해결하기 위한 완전 다항시간 근사체계(FPTAS)를 개발한다.
• 기존의 결정론적 또는 표준 스토케스틱 대응 모델에 기반한 LP 기반 근사 알고리즘을 활용하여 분수 해를 라운딩하는 절차를 제안한다.
• 분포 불확실성 하에서 타당한 해를 구성하기 위해 두 번째 단계 비용과 확률적 제약 조건을 샘플 기반 추정을 통해 활용한다.
• 확률적 제약 조건을 충족하는 데 필요한 샘플 수를 유한하게 제한하기 위해 농도 부등식과 통계학적 학습 기법을 적용한다.
• 정보 이론적 논증을 통해 샘플 복잡도 하한을 도출하기 위해 위험 회피 집합 커버 및 기타 조합 최적화 문제로의 감소를 설계한다.
• 프레임워크를 일반화하여 강건 모델에서 기대값과 (1−ρ)-분위수의 가중 조합을 포함하는 것으로 확장한다.

실험 결과

연구 질문

• RQ1 오직 기저 분포에 대한 샘플링 액세스만 제공될 때 위험 회피(stochastic optimization) 문제에 대한 근사 알고리즘을 설계할 수 있는가?
• RQ2 블랙박스 분포 하에서 확률적 제약 조건이 있는 모델에서 상수 요인 근사치를 달성하기 위해 필요한 최소 샘플 수는 얼마인가?
• RQ3 블랙박스 환경에서 근사적으로 예산과 확률 임계값 제약 조건을 유지하면서도 근사 최적의 목적 함수 값을 달성할 수 있는가?
• RQ4 확률 임계값이 덧셈적 또는 곱셈적으로 위반될 경우 샘플 복잡도와 근사 보장은 어떻게 변화하는가?
• RQ5 이 프레임워크는 기대값과 분위수 목표를 조합하는 일반화된 위험 회피 모델로 확장할 수 있는가?

주요 결과

• 논문은 블랙박스 분포를 가진 위험 회피 예산 문제의 선형계획법(LP) 리라크스레이션을 해결하기 위한 최초의 완전 다항시간 근사체계(FPTAS)를 제시한다.
• 어떤 알고리즘이 실패 확률 δ < 1/2 인 (ε,γ)-최적 해를 달성하려면, 확률 임계값이 최대 덧셈적 κ 이내로 위반될 경우, 반드시 Ω(1/κ)개의 샘플을 수집해야 한다는 것을 입증한다.
• 확률 임계값이 요인 (1+κ)로 곱셈적으로 위반될 경우, 임계값이 ρ일 때 필요한 샘플 수는 Ω(1/(κρ))이다.
• 불가능성 결과는, 심지어 표준 예산 모델이라도 유한한 샘플 크기로 정확한 확률 임계값 만족을 달성하는 것이 불가능하다는 것을 보여준다.
• 블랙박스 제약 조건으로 인해 피할 수 없는 예산과 확률 임계값에 대한 근사적 팽창이 발생하지만, 프레임워크는 근사 최적의 해를 달성한다.
• 결과는 비균일한 시나리오 예산과 기대값 및 (1−ρ)-분위수 목표를 조합하는 일반화된 위험 회피 강건 모델로 확장된다.