[논문 리뷰] An Approximation Algorithm for Risk-averse Submodular Optimization

Lifeng Zhou, Pratap Tokekar|arXiv (Cornell University)|2018. 07. 24.

Complexity and Algorithms in Graphs참고 문헌 21인용 수 16

한 줄 요약

이 논문은 불확실성 하에서 위험 회피적 순열 최적화를 위한 순차적 탐욕 알고리즘(Sequential Greedy Algorithm, SGA)을 제안하며, 위험 측도로 조건부가치하락(CVaR)을 사용한다. 이 알고리즘은 하위모듈러 함수 곡률과 매트로이드 제약 조건을 활용하여 최적 해에 의존하는 추가 오차 항을 포함한 상수 요인 근사 보장을 제공하며, 로봇 응용 분야인 모빌리티온디맨드 및 센서 선택과 같은 조합 최적화 문제에 대해 다항 시간 실행 시간을 보장한다.

ABSTRACT

We study the problem of incorporating risk while making combinatorial decisions under uncertainty. We formulate a discrete submodular maximization problem for selecting a set using Conditional-Value-at-Risk (CVaR), a risk metric commonly used in financial analysis. While CVaR has recently been used in optimization of linear cost functions in robotics, we take the first stages towards extending this to discrete submodular optimization and provide several positive results. Specifically, we propose the Sequential Greedy Algorithm that provides an approximation guarantee on finding the maxima of the CVaR cost function under a matroidal constraint. The approximation guarantee shows that the solution produced by our algorithm is within a constant factor of the optimal and an additive term that depends on the optimal. Our analysis uses the curvature of the submodular set function, and proves that the algorithm runs in polynomial time. This formulates a number of combinatorial optimization problems that appear in robotics. We use two such problems, vehicle assignment under uncertainty for mobility-on-demand and sensor selection with failures for environmental monitoring, as case studies to demonstrate the efficacy of our formulation.

연구 동기 및 목표

• 기대 효용을 초월한 위험 회피적 의사결정을 통합하여 불확실성 하에서의 조합 최적화 문제를 해결하기 위해.
• 로봇 응용 분야에서 선형 함수에서 비롯된 CVaR 기반 최적화를 이산 순열 최적화 함수로 확장하기 위해.
• 매트로이드 제약 조건과 CVaR 위험 측도 하에서 순열 최대화를 위한 이론적 근사 보장을 갖춘 효율적인 알고리즘 개발하기 위해.
• 모빌리티온디맨드 및 환경 모니터링에서의 사례 연구를 통해 성능 검증하기 위해.

제안 방법

• 조건부가치하락(CVaR)을 목적 함수로 사용하여 위험 회피적 순열 최적화 문제를 수립한다.
• CVaR 임계값의 이산화된 시간 간격을 거쳐 후보 해를 반복적으로 평가하는 순차적 탐욕 알고리즘(SGA)을 도입한다.
• 각 시간 간격 내에서 정규화된 순열 함수를 최대화하기 위해 탐욕적 선택 전략을 사용하며, 곡률을 활용해 근사 오차를 제한한다.
• 연속 최적화 문제를 근사하기 위해 CVaR 임계값 범위에 대한 이산화 기법을 적용하며, 단위 간격은 Δ이다.
• 랜덤 변수 y의 n_s개의 실현값을 기반으로 몬테카를로 샘플링을 통해 CVaR 값을 추정하기 위해 오рак루를 활용한다.
• 하위모듈러 함수 곡률 kf를 사용하여 이론적 경계를 유도하며, 해가 최적 해의 (1 + kf) 요인 이내에 있으며 추가 오차 항이 존재함을 보여준다.

실험 결과

연구 질문

• RQ1 로봇 응용 분야에서 불확실성 하에서 이산 순열 최적화 문제에 대해 CVaR가 효과적으로 적용될 수 있는가?
• RQ2 매트로이드 제약 조건 하에서 단조 증가 순열 함수의 CVaR 최대화에 대해 어떤 근사 보장을 달성할 수 있는가?
• RQ3 하위모듈러 함수의 곡률이 제안된 알고리즘의 근사 비율에 어떤 영향을 미치는가?
• RQ4 이론적 성능 보장을 유지하면서 다항 시간 내에 알고리즘이 효율적으로 구현될 수 있는가?
• RQ5 차량 배정 및 센서 선택과 같은 위험 회피적 상황에서 기대 기반 최적화와 비교해 제안된 방법은 어떻게 성능을 발휘하는가?

주요 결과

• 순차적 탐욕 알고리즘(SGA)은 최적 CVaR 값의 (1 + kf)⁻¹ 배에 해당하는 근사 비율을 달성하며, kf는 하위모듈러 함수의 곡률이다. 여기에 kfΓ(1/α − 1)의 추가 오차 항이 존재한다.
• 알고리즘은 다항 시간 내에 실행되며, 복잡도는 O(⌈Γ/Δ⌉|X|²ns)이다. 여기서 |X|는 기본 집합의 크기, ns는 몬테카를로 샘플 수, Γ는 랜덤 변수의 상한이다.
• 근사 보장은 일반적인 매트로이드 제약 조건 하에서도 유지되며, 기수 제약, 연결성 제약 등 다양한 조합 제약 조건에 적용 가능하다.
• 사례 연구 결과, SGA는 기대 기반 방법보다 위험 회피적 환경에서 뛰어난 성능을 보였다. 예를 들어, 평균 시간은 더 높지만 꼬리 위험(여유 시간)이 낮은 차량을 선택하는 데서 유의미한 성과를 보였다.
• 이론적 분석을 통해 기저 함수 f(S,y)가 S에 대해 단조 증가 순열이고 y에 대해 적분 가능할 경우, CVaR 목적 함수는 순열적이고 단조 증가함을 확인하였다.
• 이 방법은 센서 성능 및 로봇 이동 시간의 불확실성을 효과적으로 다루며, 환경 모니터링 및 모빌리티온디맨드 응용 분야에서 뛰어난 내성적 성능을 보였다.