[논문 리뷰] Fault Tolerant Clustering Revisited

Nirman Kumar, Benjamin Raichel|arXiv (Cornell University)|2013. 07. 09.

Computational Geometry and Mesh Generation참고 문헌 11인용 수 5

한 줄 요약

이 논문은 $m = \lfloor k/\ell \rfloor$ 일 때 비fault-tolerant $m$-center 또는 $m$-median 해를 서브루틴으로 활용하여 고장에 강건한 $k$-center 및 $k$-median 클러스터링을 위한 단순하고 실용적인 알고리즘을 제안한다. 기존의 근사 알고리즘을 오ракูล로 사용하여 고장에 강건한 $k$-center에 대해 $4$-근사, 고장에 강건한 $k$-median에 대해 $12$-근사 성능을 달성하며, 고장에 강건한 클러스터링 문제에서 표준 클러스터링 문제로의 깔끔한 감소를 확립한다.

ABSTRACT

In discrete k-center and k-median clustering, we are given a set of points P in a metric space M, and the task is to output a set C \subseteq ? P, |C| = k, such that the cost of clustering P using C is as small as possible. For k-center, the cost is the furthest a point has to travel to its nearest center, whereas for k-median, the cost is the sum of all point to nearest center distances. In the fault-tolerant versions of these problems, we are given an additional parameter 1 ?\leq \ell \leq ? k, such that when computing the cost of clustering, points are assigned to their \ell-th nearest-neighbor in C, instead of their nearest neighbor. We provide constant factor approximation algorithms for these problems that are both conceptually simple and highly practical from an implementation stand-point.

연구 동기 및 목표

• 각 점이 고장에 견딜 수 있도록 $\ell$번째로 가까운 중심점에 할당되어야 하는 고장에 강건한 클러스터링 문제를 다루는 것.
• 고장에 강건한 $k$-center 및 $k$-median 클러스터링에 대해 상수 요소 근사값을 달성하는 개념적으로 단순하고 구현 가능한 알고리즘을 개발하는 것.
• 고장에 강건한 클러스터링과 표준(비고장에 강건한) 클러스터링 간의 이론적 연결 고리를 확립하기 위해, $m = \lfloor k/\ell \rfloor$ 중심점에 대해 $c$-근사 해가 존재할 경우 고장에 강건한 $k$-center에 대해 $(1+2c)$-근사 해를 얻을 수 있음을 보여주는 것.
• 이 논문에서 정의한 고장에 강건한 $k$-median 문제를 비고장에 강건한 클러스터링 문제로 감소시킬 수 있는지 탐색하여 보다 단순한 알고리즘 설계를 가능하게 하는 것.

제안 방법

• 비고장에 강건한 $m$-center 또는 $m$-median 클러스터링에 대해 $m = \lfloor k/\ell \rfloor$ 이며 $c$-근사 알고리즘을 서브루틴으로 사용한다.
• 모든 $m$-center 해의 중심점에 대해 $\mathsf{P}$ 내의 $\ell$개의 가장 가까운 이웃 점들을 추가하여 최종 $k$개의 중심점을 구성함으로써 각 중심점에 대해 $\ell$개의 백업 포인트를 부여한다.
• 삼각 부등식과 커버리지 분석을 통해 $\ell$번째로 가까운 이웃 거리를 유계화함으로써, 결과적으로 $k$-center 해가 $(1+2c)$-근사값을 달성함을 증명한다.
• $k$-median 변형에 대해서는 동일한 후처리 기법을 적용하고, Li와 Svensson의 $(1+\sqrt{3}+\varepsilon)$-근사 알고리즘을 서브루틴으로 사용하여 $(5+4\sqrt{3}+\varepsilon) \approx 12$-근사값을 유도한다.
• 커버링 반경과 중심점의 가까움을 기반으로 한 모순 증명을 통해 근사도를 증명하며, 알고리즘의 비용이 한계를 초과할 경우 너무 많은 중심점이 필요한데 이는 $k$-center 제약 조건을 위반하게 된다는 점을 보여준다.

실험 결과

연구 질문

• RQ1 비고장에 강건한 클러스터링 해를 $m = \lfloor k/\ell \rfloor$ 중심점에 대해 사용하여 고장에 강건한 $k$-center 클러스터링에 대해 상수 요소 근사값을 구성할 수 있는가?
• RQ2 이 감소 기반 접근법을 통해 고장에 강건한 $k$-center 클러스터링에 대해 도달할 수 있는 최적의 근사 비율은 무엇이며, 기존의 알려진 $2$-근사값에 도달할 수 있는가?
• RQ3 비용이 $\ell$번째로 가까운 중심점 거리인 고장에 강건한 $k$-median 문제를 더 적은 중심점을 가진 비고장에 강건한 클러스터링 문제로 감소시킬 수 있는가?
• RQ4 더 단순하거나 더 모듈화된 서브루틴을 사용하여 고장에 강건한 $k$-median에 대해 더 나은 근사 비율을 달성할 수 있는가?

주요 결과

• Gonzalez의 $2$-근사 알고리즘을 서브루틴으로 사용할 경우, 고장에 강건한 $k$-center 클러스터링에 대해 $4$-근사값을 달성한다.
• 만약 $\ell$ 가 $k$ 를 나누면, 알고리즘이 $3$-근사값을 달성하여 일반적인 $4$-근사값 경우보다 향상된다.
• Li와 Svensson의 $(1+\sqrt{3}+\varepsilon)$-근사 알고리즘을 서브루틴으로 사용할 경우, 고장에 강건한 $k$-median에 대해 $(5+4\sqrt{3}+\varepsilon) \approx 12$-근사값을 달성한다.
• 이 방법은 $m$-center 클러스터링에 대해 $c$-근사 해가 존재할 경우 고장에 강건한 $k$-center 클러스터링에 대해 $(1+2c)$-근사 해를 얻을 수 있음을 증명함으로써 일반적인 감소 프레임워크를 확립한다.
• 증명은 모순 증명에 기반한다: 알고리즘의 비용이 $3r_{\text{opt}}$ 또는 $4r_{\text{opt}}$ 를 초과할 경우, 최적 반경 내에서 모든 점을 커버하기 위해 너무 많은 중심점이 필요해지며, 이는 $k$-center 제약 조건을 위반하게 된다.