[논문 리뷰] Maximizing Profit with Convex Costs in the Random-order Model

Anupam Gupta, Ruta Mehta외 1명|arXiv (Cornell University)|2018. 01. 01.

Optimization and Search Problems참고 문헌 14인용 수 3

한 줄 요약

이 논문은 d차원 자원에서 볼록이고 초모듈라(cost) 함수를 갖는 랜덤 오더 모델에서 수익을 최대화하기 위한 O(d)-경쟁률을 갖는 랜덤 알고리즘을 제시한다. 볼록 쌍대성과 새로운 임계값 설정 방법을 활용하여, 제약 조건이 없는 경우 O(d) 및 매트로이드 제약 조건이 있는 경우 O(d³ log log rank)의 개선된 경쟁률을 달성한다. 이는 이전의 가분 비용 함수에 대한 결과를 초과하며, 증명 가능한 보장을 갖는 비가역 초모듈라 비용 함수로의 첫 번째 일반화이다.

ABSTRACT

Suppose a set of requests arrives online: each request gives some value $v_i$ if accepted, but requires using some amount of each of $d$ resources. Our cost is a convex function of the vector of total utilization of these $d$ resources. Which requests should be accept to maximize our profit, i.e., the sum of values of the accepted demands, minus the convex cost? We consider this problem in the random-order a.k.a. secretary model, and show an $O(d)$-competitive algorithm for the case where the convex cost function is also supermodular. If the set of accepted demands must also be independent in a given matroid, we give an $O(d^3 α)$-competitive algorithm for the supermodular case, and an improved $O(d^2α)$ if the convex cost function is also separable. Here $α$ is the competitive ratio of the best algorithm for the submodular secretary problem. These extend and improve previous results known for this problem. Our techniques are simple but use powerful ideas from convex duality, which give clean interpretations of existing work, and allow us to give the extensions and improvements.

연구 동기 및 목표

• 요청이 순차적으로 도착하고 결정이 뒤집힐 수 없는 랜덤 오더 모델에서 볼록이고 초모듈라 비용 함수를 갖는 온라인 수익 최대화 문제를 다루는 것.
• 이전의 가분 비용 함수에 대한 결과를 더 일반적인 비가역 초모듈라 볼록 비용 함수의 경우로 확장하는 것.
• 볼록 쌍대성을 활용한 체계적인 알고리즘 프레임워크를 개발하여 기존 접근 방식을 단순화하고 개선하는 것.
• 특히 초모듈라 비용 함수 하에서 제약 조건이 없는 경우와 매트로이드 제약 조건이 있는 경우의 경쟁률을 확립하는 것.
• 초모듈라 비용 함수를 가분 비용 함수로의 일반화된 감소를 제공하여 기존 알고리즘을 손실이 유한한 범위 내에서 활용할 수 있도록 하는 것.

제안 방법

• 특히 초모듈라 비용 함수 하에서 수익 최대화 문제의 구조를 재해석하고 단순화하기 위해 볼록 쌍대성을 활용한다.
• 경계값과 이중 변수에 기반한 임계값 설정 메커니즘을 도입하며, 항목의 가치 대 비용 비율이 동적으로 학습된 임계값을 초과할 경우에만 수락한다.
• 수익 함수의 분수 형태의 완화를 활용하고 농도 경계를 적용하여 고확률 성능 보장을 확보한다.
• 하위모듈라 함수의 로바슈 확장을 적용하여 원래의 초모듈라 문제의 최적 해를 가분 비용 설정에서의 분수 해와 연결한다.
• 단일 비밀사전 알고리즘과 가분 비용 알고리즘을 조합하는 랜덤화 감소를 개발하며, 탐색과 이용의 균형을 이루기 위해 신중하게 선택된 확률을 사용한다.
• 매트로이드 다면체의 다면체 성질을 활용하여, 가분 설정에서 얻은 좋은 정수 해가 원래의 초모듈라 설정에서 최적 해를 근사함을 보여준다.

실험 결과

연구 질문

• RQ1 비가역이고 초모듈라 볼록 비용 함수를 갖는 온라인 수익 최대화 문제에 대해, 랜덤 오더 모델에서 상수 또는 다항로그 경쟁률을 달성할 수 있는가?
• RQ2 비용 함수가 초모듈라이지만 비가역일 경우, 차원 d에 따라 경쟁률은 어떻게 변화하는가?
• RQ3 기존의 가분 비용 함수를 위한 알고리즘이 비용 함수에 대한 손실이 유한한 범위 내에서 초모듈라 비용 함수를 처리하도록 조정될 수 있는가?
• RQ4 초모듈라 비용 함수를 가분 비용 함수로 감소시킬 때 발생하는 최소한의 손실은 무엇이며, 이를 알고리즘적으로 어떻게 활용할 수 있는가?
• RQ5 볼록 쌍대성은 이 클래스의 온라인 최적화 문제에 대한 이전 알고리즘 접근 방식을 단순화하고 개선하는 통합 프레임워크를 제공하는가?

주요 결과

• 논문은 랜덤 오더 모델에서 초모듈라 볼록 비용 함수를 갖는 제약 조건이 없는 온라인 수익 최대화 문제에 대해 처음으로 O(d)-경쟁률을 갖는 랜덤 알고리즘을 제시한다.
• 가분 비용 함수가 있는 매트로이드 제약 조건이 있는 경우, 논문은 O(d² log log rank)-경쟁률 알고리즘을 달성하며, Barman 등(2012)의 O(d⁵ log log rank) 경쟁률보다 개선된 결과를 얻는다.
• 초모듈라 비용 함수가 있는 매트로이드 제약 조건이 있는 경우, 논문은 O(d³ log log rank)-경쟁률 알고리즘을 제시하며, 이는 초모듈라 비용에서 가분 비용으로의 일반 감소를 통해 유도된다.
• 감소 방법은 가분 비용에 대한 β-근사 알고리즘이 초모듈라 비용에 대해 d(β + 2ed)-근사로 이어짐을 보여주며, 손실 요소는 d와 e에 따라 달라진다.
• 분석은 볼록 쌍대성, 농도 부등식, 매트로이드 다면체의 다면체 성질에 기반하여 고확률 성능 보장을 확보한다.
• 결과는 d차원 캐리어 난이도 하한 Ω(d¹⁻ᵝ)가 로그 인자 범위 내에서 날카로워지며, d 의존성이 피할 수 없다는 것을 시사한다.