[논문 리뷰] Deterministic Approximation for Submodular Maximization over a Matroid in Nearly Linear Time

Kai Han, Zongmai Cao외 2명|arXiv (Cornell University)|2020. 10. 22.

Complexity and Algorithms in Graphs참고 문헌 43인용 수 7

한 줄 요약

이 논문은 매트로이드 제약 조건 하에서 비모노톤 서브모듈러 최대화를 위한 새로운 결정론적 알고리즘인 TwinGreedy와 TwinGreedyFast를 제안한다. 두 개의 후보 해 집합을 동시에 생성하는 병렬 탐욕 탐색 프레임워크를 도입함으로써, O(nr) 시간에 1/4의 근사 비율을 달성하고, 거의 선형적인 O((n/ε)log(r/ε)) 시간에 (1/4−ε)의 비율을 확보한다. 이는 이전의 결정론적 방법들보다 근사 비율과 효율성 면에서 뛰어나다.

ABSTRACT

We study the problem of maximizing a non-monotone, non-negative submodular function subject to a matroid constraint. The prior best-known deterministic approximation ratio for this problem is $\frac{1}{4}-ε$ under $\mathcal{O}(({n^4}/ε)\log n)$ time complexity. We show that this deterministic ratio can be improved to $\frac{1}{4}$ under $\mathcal{O}(nr)$ time complexity, and then present a more practical algorithm dubbed TwinGreedyFast which achieves $\frac{1}{4}-ε$ deterministic ratio in nearly-linear running time of $\mathcal{O}(\frac{n}ε\log\frac{r}ε)$. Our approach is based on a novel algorithmic framework of simultaneously constructing two candidate solution sets through greedy search, which enables us to get improved performance bounds by fully exploiting the properties of independence systems. As a byproduct of this framework, we also show that TwinGreedyFast achieves $\frac{1}{2p+2}-ε$ deterministic ratio under a $p$-set system constraint with the same time complexity. To showcase the practicality of our approach, we empirically evaluated the performance of TwinGreedyFast on two network applications, and observed that it outperforms the state-of-the-art deterministic and randomized algorithms with efficient implementations for our problem.

연구 동기 및 목표

• 기존의 최고 성능인 1/4−ε보다 더 나은 1/4의 결정론적 근사 비율을 달성하기 위해, 매트로이드 제약 조건 하에서 비모노톤 서브모듈러 최대화 문제의 결정론적 근사 비율을 향상시키는 것.
• 이 문제에 대한 결정론적 알고리즘의 시간 복잡도를 낮추고, 특히 거의 선형 실행 시간을 달성하는 것.
• 대규모 데이터 세트에 스케일링 가능한 강력한 이론적 보장을 유지하면서도 실용적이고 효율적인 알고리즘을 개발하는 것.
• 성능 보장이 있는 프레임워크를 더 일반적인 제약 조건, 예를 들어 p-세트 시스템으로 확장하는 것.

제안 방법

• 두 개의 서로소 후보 해 집합 S₁과 S₂를 순차적으로가 아니라 병렬로 구성하는 새로운 '동시 탐욕 탐색' 프레임워크를 도입한다.
• Badanidiyuru와 Vondrák(2014)의 영감을 얻어, 저수익 요소를 제거함으로써 거의 선형 시간 복잡도를 달성하는 임계치 기법을 사용한다.
• 최적 해 O에 속한 요소들을 S₁ ∪ S₂에 속한 요소들로 매핑함으로써 유용성 손실을 제한하고, 1/4 근사 보장을 확보한다.
• TwinGreedyFast는 1/4−ε 비율을 유지하면서도 시간 복잡도를 O((n/ε)log(r/ε))로 줄인 최적화된 변종으로 설계한다.
• 프레임워크가 p-세트 시스템 제약 조건으로 일반화될 수 있음을 증명하고, 동일한 시간 복잡도로 1/(2p+2)−ε 근사 비율을 달성한다.
• 실세계 응용 분야인 사회 네트워크 모니터링과 다중 제품 바이럴 마케팅에 대해 알고리즘을 구현하고 평가한다.

실험 결과

연구 질문

• RQ1 매트로이드 제약 조건 하에서 비모노톤 서브모듈러 최대화 문제의 결정론적 근사 비율을 기존의 최고 성능인 1/4−ε에서 1/4로 향상시킬 수 있는가?
• RQ2 거의 선형 시간, 즉 O((n/ε)log(r/ε)) 내에서 1/4−ε의 결정론적 비율을 달성하는 것이 가능한가?
• RQ3 동시 탐욕 탐색 프레임워크가 기존의 반복 탐욕 탐색 또는 국소 탐색 방법들보다 효율성과 근사 품질 면에서 뛰어나게 작용할 수 있는가?
• RQ4 제안된 프레임워크는 강력한 이론적 보장을 유지하면서도 더 일반적인 제약 조건, 예를 들어 p-세트 시스템으로 일반화될 수 있는가?
• RQ5 실제로 새로운 알고리즘이 최신의 결정론적 및 랜덤화 알고리즘과 비교하여 어떻게 성능을 발휘하는가?

주요 결과

• TwinGreedy는 매트로이드 제약 조건 하에서 비모노톤 서브모듈러 최대화 문제에 대해 O(nr) 시간 복잡도로 결정론적 1/4 근사 비율을 달성하며, 이는 기존의 최고 성능인 1/4−ε보다 향상된 결과이다.
• TwinGreedyFast는 거의 선형 시간 O((n/ε)log(r/ε)) 내에서 (1/4−ε)의 결정론적 근사 비율을 달성하여, 이 비율을 갖는 가장 빠른 알고리즘으로 알려져 있다.
• 동시 탐욕 탐색 프레임워크는 두 후보 집합의 상호 커버리지 기반으로 더 엄격한 유용성 손실 한계를 확보함으로써, 비제약 서브모듈러 최대화 서브루틴이 필요 없도록 한다.
• 사회 네트워크 모니터링과 다중 제품 바이럴 마케팅에 대한 실증 평가에서, TwinGreedyFast는 최신 기술 대비 한 단계 이상 더 빠르게 실행되었고, 해 품질은 동일하거나 이를 초월하였다.
• 프레임워크는 p-세트 시스템 제약 조건으로 일반화될 수 있으며, 동일한 거의 선형 시간 복잡도로 1/(2p+2)−ε 근사 비율을 달성한다.
• 실세계 응용 분야에서 런타임과 유용성 측면에서 결정론적 및 랜덤화 알고리즘 모두를 능가함으로써, TwinGreedyFast는 실용적 우수성을 입증하였다.