[논문 리뷰] Approximate Clustering via Metric Partitioning

Henzinger, Monika, Leniowski, Dariusz외 1명|arXiv (Cornell University)|2015. 07. 08.

Complexity and Algorithms in Graphs참고 문헌 19인용 수 3

한 줄 요약

이 논문은 메트릭 분할과 확률적 기법을 사용하여 최소 비용 커버링 문제(MCC)와 k-클러스터링에 대해 준다항 시간 (1+ε)-근사 알고리즘을 제시한다. MCC에 대해 (1+ε)-근사, k-클러스터링에 대해 (1+ε)k개의 공을 사용하여 (1+ε)-근사 성능을 달성하며, 이는 이전의 3α 및 cα 보장을 향상시킨다. 또한, α가 입력에 포함될 경우 표준 복잡도 가정 하에 다항시간 (1+ε)-근사가 불가능하다는 것을 보여주며, MCC에 대해 다항시간에서의 (1+ε)-근사는 불가능하다.

ABSTRACT

In this paper we consider two metric covering/clustering problems - extit{Minimum Cost Covering Problem} (MCC) and $k$-clustering. In the MCC problem, we are given two point sets $X$ (clients) and $Y$ (servers), and a metric on $X \cup Y$. We would like to cover the clients by balls centered at the servers. The objective function to minimize is the sum of the $α$-th power of the radii of the balls. Here $α\geq 1$ is a parameter of the problem (but not of a problem instance). MCC is closely related to the $k$-clustering problem. The main difference between $k$-clustering and MCC is that in $k$-clustering one needs to select $k$ balls to cover the clients. For any $\eps > 0$, we describe quasi-polynomial time $(1 + \eps)$ approximation algorithms for both of the problems. However, in case of $k$-clustering the algorithm uses $(1 + \eps)k$ balls. Prior to our work, a $3^α$ and a ${c}^α$ approximation were achieved by polynomial-time algorithms for MCC and $k$-clustering, respectively, where $c > 1$ is an absolute constant. These two problems are thus interesting examples of metric covering/clustering problems that admit $(1 + \eps)$-approximation (using $(1+\eps)k$ balls in case of $k$-clustering), if one is willing to settle for quasi-polynomial time. In contrast, for the variant of MCC where $α$ is part of the input, we show under standard assumptions that no polynomial time algorithm can achieve an approximation factor better than $O(\log |X|)$ for $α\geq \log |X|$.

연구 동기 및 목표

• α-파워 비용 함수 하에서 메트릭 커버링 및 클러스터링 문제에 대해 효율적인 근사 알고리즘을 설계하기 위해.
• 이전의 다항시간 알고리즘이 MCC와 k-클러스터링 각각에 대해 3α 및 cα 근사에만 성공한 한계를 극복하기 위해.
• 특히 다항시간 (1+ε)-근사가 배제되는 상황에서, 준다항시간 내에 (1+ε)-근사가 가능할 수 있는지 탐색하기 위해.
• α가 입력에 포함될 경우 MCC에 대해 엄밀한 비근사 가능성 경계를 설정하여, 다항시간에서의 최선의 근사 요소가 O(log |X|)임을 보여주기 위해.
• 기본 MCC 모델을 초월해 시설 개설 비용을 고려한 변형에까지 적용 가능함을 보여주기 위해, 기법의 확장성을 입증하기 위해.

제안 방법

• 최적 해의 구조적 성질을 활용하여, 최적 공과 교차하는 수를 최소화하는 커버를 구성하기 위해 메트릭 공간의 확률적 분할을 사용한다.
• 메트릭 분할 기반의 재귀적 분해 전략을 적용하여, 각 분할을 독립적으로 처리함으로써 근사 해를 구축한다.
• 선형 프로그래밍 타월화로부터 유도된 분수 해를 대상으로 라운딩 기법을 적용하여, 적절한 공 반경 선택을 통해 (1+ε)-근사 성능을 확보한다.
• 일반 메트릭 공간에 적응된 기하학적 분할-정복 기반의 분리자 정리(정점 분할 기반)를 사용하여, 분할이 교차하는 공의 수를 제한한다.
• 구축된 공의 반경과 최적 해의 반경 간의 관계를 분석하여, 분할에 의한 비용 증가를 제한하는 새로운 분석 프레임워크를 도입한다.
• 다른 집합 문제를 MCC로 감소시켜 비근사 가능성 결과를 증명하며, α가 입력에 포함될 경우 MCC에 대해 (c log |X|)-근사가 가능하다면 P = NP임을 보여준다.

실험 결과

연구 질문

• RQ1 다항시간 알고리즘의 한계가 존재하는 바, 준다항시간 내에 MCC와 k-클러스터링에 대해 (1+ε)-근사를 달성할 수 있는가?
• RQ2 α가 입력에 포함될 경우 MCC에 대해 다항시간에서의 최선의 근사 비율은 무엇인가?
• RQ3 α > 1일 경우 메트릭 공간 내 최적 해의 구조는 어떻게 변화하는가? 이는 알고리즘적으로 어떻게 활용될 수 있는가?
• RQ4 MCC에 사용된 기법을 자연스럽게 시설 개설 비용을 고려한 변형에 확장할 수 있는가?
• RQ5 현재 기술 수준을 고려할 때, k-클러스터링에 대해 준다항시간 내에 (1+ε)-근사를 달성할 수 있는가?

주요 결과

• 논문은 메트릭 분할과 확률적 기법을 활용하여, MCC와 k-클러스터링에 대해 준다항 시간 내에 처음으로 (1+ε)-근사 알고리즘을 제시한다.
• k-클러스터링의 경우, (1+ε)k개의 공을 사용하여 (1+ε)-근사 성능을 달성하며, 이는 기존 다항시간에서의 cα 근사 성능을 향상시킨다.
• α가 입력에 포함될 경우, 표준 복잡도 가정 하에 MCC에 대해 다항시간 알고리즘이 O(log |X|) 이하의 근사도를 달성할 수 없음을 증명한다.
• 비근사 가능성 결과는 최소 지배 집합 문제로의 감소를 통해 확립되며, α가 입력에 포함될 경우 MCC에 대해 (c log |X|)-근사가 가능하다면 P = NP임을 보여준다.
• 이러한 접근은 시설 개설 비용이 포함된 MCC의 변형으로 일반화되어, 준다항 시간 내에 (1+ε)-근사 성능을 달성한다.
• 결과적으로 준다항 시간이 이러한 문제들에 대해 (1+ε)-근사 가능성을 열어주며, 다항시간에서의 (1+ε)-근사가 불가능한 경우에도 이를 가능하게 한다.