[논문 리뷰] FPT Approximation for Constrained Metric $k$-Median/Means

Dishant Goyal, Ragesh Jaiswal외 1명|arXiv (Cornell University)|2020. 01. 01.

Facility Location and Emergency Management참고 문헌 97인용 수 6

한 줄 요약

이 논문은 기존에 근사가 어려운 넓은 범위의 제약 조건이 있는 메트릭 k-미디안 및 k-중심 문제, 즉 용량 제약, r-그룹, 고장 내성, 이상치, 불확실성 등 다양한 변형에 대해 최초로 상수 요인을 갖는 고정 매개변수 다항시간(FPT) 근사 알고리즘을 제시한다. Ding과 Xu(2015)의 영감을 받은 통합 샘플링 기반 프레임워크를 사용하여, k-미디안 문제에 대해 (3+ε)-근사, k-중심 문제에 대해 (9+ε)-근사의 성능을 FPT 시간 내에 달성한다. 이는 이전 결과를 향상시키거나 동등하게 유지하면서도 상수 개수의 라운드와 로그 공간을 사용하는 효율적인 스트리밍 구현을 가능하게 한다.

ABSTRACT

The Metric $k$-median problem over a metric space $(\mathcal{X}, d)$ is defined as follows: given a set $L \subseteq \mathcal{X}$ of facility locations and a set $C \subseteq \mathcal{X}$ of clients, open a set $F \subseteq L$ of $k$ facilities such that the total service cost, defined as $Φ(F, C) \equiv \sum_{x \in C} \min_{f \in F} d(x, f)$, is minimised. The metric $k$-means problem is defined similarly using squared distances. In many applications there are additional constraints that any solution needs to satisfy. This gives rise to different constrained versions of the problem such as $r$-gather, fault-tolerant, outlier $k$-means/$k$-median problem. Surprisingly, for many of these constrained problems, no constant-approximation algorithm is known. We give FPT algorithms with constant approximation guarantee for a range of constrained $k$-median/means problems. For some of the constrained problems, ours is the first constant factor approximation algorithm whereas for others, we improve or match the approximation guarantee of previous works. We work within the unified framework of Ding and Xu that allows us to simultaneously obtain algorithms for a range of constrained problems. In particular, we obtain a $(3+\varepsilon)$-approximation and $(9+\varepsilon)$-approximation for the constrained versions of the $k$-median and $k$-means problem respectively in FPT time. In many practical settings of the $k$-median/means problem, one is allowed to open a facility at any client location, i.e., $C \subseteq L$. For this special case, our algorithm gives a $(2+\varepsilon)$-approximation and $(4+\varepsilon)$-approximation for the constrained versions of $k$-median and $k$-means problem respectively in FPT time. Since our algorithm is based on simple sampling technique, it can also be converted to a constant-pass log-space streaming algorithm.

연구 동기 및 목표

• 제약 조건이 있는 메트릭 k-미디안 및 k-중심 문제에 대해 고정 매개변수 다항시간(FPT) 근사 알고리즘을 설계하는 것.
• 용량 제약, r-그룹, 고장 내성, 이상치, 불확실성 클러스터링 등 다양한 제약 문제들을 단일 알고리즘 프레임워크로 통합하는 것.
• 기존의 제약 조건이 있는 k-미디안/k-중심 문제에 대해 알려진 근사 보장을 향상시키거나 동등하게 유지하면서도 FPT 시간 내에서 작동하는 것.
• 실제 구현에 적합한 상수 개수의 라운드와 로그 공간을 사용하는 스트리밍 알고리즘으로 이 알고리즘을 확장하는 것.

제안 방법

• Ding와 Xu(2015)의 통합 프레임워크를 도입하여 k-미디안 및 k-중심 문제의 여러 제약 변형을 동시에 처리한다.
• 샘플링 기반 기법을 사용하여 클라이언트에서 중심으로의 할당 비용을 (1±ε) 요인 내에서 근사하는 작은 대표 그래프 G′를 구성한다.
• 샘플된 그래프 G′에 대해 최소 비용 흐름 문제로 제약 조건이 있는 클러스터링 문제를 환원하며, 이는 FPT 시간 내에 해결 가능하다.
• 공간 복잡도 f(k,ε)·log n를 갖는 이중 라운드 스트리밍 알고리즘을 사용하여 그래프 G′를 구성한다. 여기서 f(k,ε) = k^O(k) · log^k(1/ε).
• 이상치 k-서비스 문제와 같은 특정 문제의 경우, 가장 먼 점들을 이격점으로 선택한 후 베론로이 분할을 수행한다.
• 필수 정보(예: 가장 먼 점들, 흐름 할당)만 유지하여 FPT 알고리즘을 상수 개수의 라운드와 로그 공간을 사용하는 스트리밍 알고리즘으로 변환한다.

실험 결과

연구 질문

• RQ1 넓은 범위의 제약 조건이 있는 k-미디안 및 k-중심 문제에 대해 상수 근사 비율을 갖는 FPT 근사 알고리즘을 설계할 수 있는가?
• RQ2 통합 샘플링 기반 프레임워크를 통해 여러 제약 변형에 동시에 근사 보장을 제공할 수 있는가?
• RQ3 r-그룹 및 고장 내성 k-중심 문제와 같은 문제들에 대해 기존의 최고 성능 근사 비율을 향상시키거나 동등하게 유지하면서도 FPT 런타임을 유지할 수 있는가?
• RQ4 FPT 근사 알고리즘을 상수 개수의 라운드와 로그 공간을 사용하는 효율적인 스트리밍 알고리즘으로 변환할 수 있는가?

주요 결과

• 논문은 제약 조건이 있는 k-미디안 문제에 대해 (3+ε)-근사, 제약 조건이 있는 k-중심 문제에 대해 (9+ε)-근사를 FPT 시간 내에 달성하며, 이는 이전 결과를 향상시키거나 동등하게 유지한다.
• 클라이언트가 중심이 될 수 있는 특수한 경우(C ⊆ L)에서는 k-미디안 문제에 대해 (2+ε)-근사, k-중심 문제에 대해 (4+ε)-근사를 FPT 시간 내에 달성한다.
• r-그룹 문제에 대해서는 FPT 근사 경계가 이전에 알려진 결과보다 우수하며, 이는 이 설정에서 최초로 상수 요인 근사 알고리즘이다.
• 이 방법은 색상, l-다양성, 반감독 k-미디안/k-중심 문제에 대해 알려진 최초의 상수 요인 근사 알고리즘을 도출한다.
• 알고리즘은 공간 복잡도 f(k,ε)·log n, 실행 시간 f(k,ε)·n^O(1)를 갖는 3라운드 스트리밍 알고리즘으로 변환되며, 여기서 f(k,ε) = k^O(k) · log^k(1/ε).
• 이상치 k-서비스 문제의 경우, O(k) 공간과 O(n) 시간을 사용하는 이중 라운드 스트리밍 알고리즘을 달성하여, m개의 가장 먼 점들을 정확히 이상치로 식별하고 나머지 점들을 최적으로 클러스터링한다.