[논문 리뷰] An Improved Algorithm for Bipartite Correlation Clustering

Nir Ailon, Noa Avigdor-Elgrabli외 1명|arXiv (Cornell University)|2010. 12. 14.

Data Management and Algorithms참고 문헌 15인용 수 5

한 줄 요약

이 논문은 큰 볼록 프로그래밍을 해결하지 않고도 4-근사값을 달성하는 이분 관련 클러스터링을 위한 새로운 조합적 알고리즘인 PivotBiCluster를 제안한다. 기존의 11-근사값을 개선한 것으로, 랜덤화된 피벗 방법과 수정된 선형 프로그래밍 분석을 사용하여 효율적이고 증명 가능하게 근사 최적의 이분 그래프 클러스터링을 가능하게 한다.

ABSTRACT

Bipartite Correlation clustering is the problem of generating a set of disjoint bi-cliques on a set of nodes while minimizing the symmetric difference to a bipartite input graph. The number or size of the output clusters is not constrained in any way. The best known approximation algorithm for this problem gives a factor of 11. This result and all previous ones involve solving large linear or semi-definite programs which become prohibitive even for modestly sized tasks. In this paper we present an improved factor 4 approximation algorithm to this problem using a simple combinatorial algorithm which does not require solving large convex programs. The analysis extends a method developed by Ailon, Charikar and Alantha in 2008, where a randomized pivoting algorithm was analyzed for obtaining a 3-approximation algorithm for Correlation Clustering, which is the same problem on graphs (not bipartite). The analysis for Correlation Clustering there required defining events for structures containing 3 vertices and using the probability of these events to produce a feasible solution to a dual of a certain natural LP bounding the optimal cost. It is tempting here to use sets of 4 vertices, which are the smallest structures for which contradictions arise for Bipartite Correlation Clustering. This simple idea, however, appears to be evasive. We show that, by modifying the LP, we can analyze algorithms which take into consideration subgraph structures of unbounded size. We believe our techniques are interesting in their own right, and may be used for other problems as well.

연구 동기 및 목표

• 큰 스케일의 볼록 프로그래밍을 해결하지 않고도 더 효율적이고 실용적인 이분 관련 클러스터링 근사 알고리즘을 개발하는 것.
• 이전에 주장된 4-근사값이 잘못되었음을 밝혀내고, 이를 수정하여 올바르고 증명 가능하게 최적인 알고리즘을 제공하는 것.
• 관련 클러스터링에서 사용된 랜덤화된 피벗 기법을 수정된 LP 분석을 통해 이분 설정으로 확장하는 것.
• 간단한 조합적 알고리즘을 통해 간선 수에 비례하는 선형 시간 내에 상수 요소 근사값을 달성하는 것.
• 새로운 비유계 하위그래프 구조 분석을 통해 데랜덤화 경로와 더 넓은 적용 가능성을 제공하는 것.

제안 방법

• 간선 밀도와 확률적 병합 또는 고립을 기반으로 클러스터 대표를 선택하는 랜덤화된 피벗 알고리즘인 PivotBiCluster를 도입한다.
• 최적 비용을 근사하기 위해 이중 변수 β(T)와 β(𝑇̄)를 정의하는 수정된 선형 프로그래밍(LP)을 사용하여, 비유계 하위그래프 구조의 분석을 가능하게 한다.
• 이벤트 X_T와 X_𝑇̄ 조건 하에 확률적 분석을 적용하고, 클러스터 크기 비율과 간선/비간선 수에 기반한 기대 비용 기여도를 계산한다.
• 약한 이중성(weak duality)을 활용하여 PivotBiCluster의 기대 비용이 이중 변수의 합의 4배 이내임을 보여주며, 이는 최적 비용의 4배 이내임을 의미한다.
• 클러스터 크기 관계에 대한 케이스 분석을 통해 기대 비용 한계를 유도하며, 입력과 출력 이중 클러스터 간의 대칭 차이를 활용한다.
• 2008년의 관련 클러스터링 방법을 4노드 구조 분석과 이중 LP 프레임워크 적응을 통해 이분 케이스로 확장한다.

실험 결과

연구 질문

• RQ1 큰 볼록 프로그래밍을 해결하지 않고도 조합적 간단 알고리즘이 이분 관련 클러스터링에 대해 4-근사값을 달성할 수 있는가?
• RQ2 이전에 주장된 4-근사값 알고리즘이 실패하는 이유는 무엇이며, 그 결함은 어떻게 수정할 수 있는가?
• RQ3 표준 관련 클러스터링에서 사용된 랜덤화된 피벗 방법을 증명 가능 보장과 함께 이분 설정에 적응시킬 수 있는가?
• RQ4 수정된 LP 공식화를 통해 비유계 하위그래프 구조를 분석할 수 있는가?
• RQ5 조합 기법이나 LP 라운딩을 통해 4를 초월하는 근사 요소를 향상시킬 수 있는가?

주요 결과

• 제안된 PivotBiCluster 알고리즘은 이분 관련 클러스터링에 대해 4-근사값을 달성하며, 이는 기존의 최선의 요소 11을 향상시킨다.
• 알고리즘은 큰 볼록 프로그래밍을 해결하지 않으며, 간선 수에 비례하는 선형 시간 내에 실행되어 대규모 그래프에 대해 확장 가능하다.
• 분석을 통해 PivotBiCluster의 기대 비용이 수정된 LP 이중식과 약한 이중성을 활용해 최적 비용의 4배 이내임을 증명한다.
• 클러스터 크기 비율에 따라 조건을 설정하고 이중 변수를 재정의함으로써 비유계 하위그래프 구조를 효과적으로 처리한다.
• 기존에 주장된 4-근사값 알고리즘이 반례를 통해 잘못되었음을 입증함으로써, 새로운 분석 프레임워크의 필요성을 확인한다.
• 이 접근법은 데랜덤화 경로와 유사한 구조 제약 조건을 가진 다른 클러스터링 문제로의 확장 가능성을 열어 놓는다.