[논문 리뷰] Non-negative submodular stochastic probing via stochastic contention resolution schemes

Marek Adamczyk|arXiv (Cornell University)|2015. 08. 31.

Cryptography and Data Security참고 문헌 11인용 수 6

한 줄 요약

이 논문은 비음수 하위모듈러(stochastic probing) 문제를 해결하기 위해 새로운 확률적 경쟁 해결 기법을 제안한다. 기존의 단조 하위모듈러 목표 함수에 대한 연구를 확장하며, Chekuri 등이 제안한 경쟁 해결 기법을 응용하고 전이 매트로이드(traversal matroids)에 대한 새로운 기법을 개발함으로써, 비단조 하위모듈러 함수에 대해 일정 요소 근사값을 달성한다. 이는 이전 방법이 이 설정에서 실패했던 점을 개선한다.

ABSTRACT

The abstract model of stochastic probing was presented by Gupta and Nagarajan (IPCO'13), and provides a unified view of a number of problems. Adamczyk, Sviridenko, Ward (STACS'14) gave better approximation for matroid environments and linear objectives. At the same time this method was easily extendable to settings, where the objective function was monotone submodular. However, the case of non-negative submodular function could not be handled by previous techniques. In this paper we address this problem, and our results are twofold. First, we adapt the notion of contention resolution schemes of Chekuri, Vondrák, Zenklusen (SICOMP'14) to show that we can optimize non-negative submodular functions in this setting with a constant factor loss with respect to the deterministic setting. Second, we show a new contention resolution scheme for transversal matroids, which yields better approximations in the stochastic probing setting than the previously known tools. The rounding procedure underlying the scheme can be of independent interest --- Bansal, Gupta, Li, Mestre, Nagarajan, Rudra (Algorithmica'12) gave two seemingly different algorithms for stochastic matching and stochastic $k$-set packing problems with two different analyses, but we show that our single technique can be used to analyze both their algorithms.

연구 동기 및 목표

• 비음수 하위모듈러 스토케스틱 프로빙 문제에 대한 근사 알고리즘의 격차를 메우며, 이전 방법이 비단조 목표 함수에서는 실패했던 점을 해결한다.
• 경쟁 해결 기법의 적용 범위를 스토케스틱 프로빙 환경에서 비단조 하위모듈러 함수로 확장한다.
• 전이 매트로이드(traversal matroids) 전용으로 새로운 경쟁 해결 기법을 개발하여 향상된 근사 보장을 달성한다.
• 스토케스틱 매칭과 k-세트 패킹 알고리즘을 하나의 분석 가능한 프레임워크로 통합·일반화한다.
• 반복적인 랜덤화된 반올림을 경쟁 해결 기법을 통해 비단조 하위모듈러 목표 함수를 다룰 수 있도록 조정한다.

제안 방법

• Chekuri 등이 제안한 경쟁 해결 기법(CRS)의 개념을 스토케스틱 프로빙에 적용하여, 비음수 하위모듈러 함수 최적화를 가능하게 한다.
• Bansal 등이 이전에 별도로 제안한 두 알고리즘을 일반화하고 분석하기 위해 전이 매트로이드에 대한 새로운 랜덤화된 반올림 절차를 도입한다.
• 다중선형 확장(multilinear extension)과 초마르팅글 분석(super-martingale analysis)을 사용하여 활성 제약 조건 하에서 각 요소가 프로빙되는 확률을 근사한다.
• 프로빙 및 차단 과정에서 유도된 초마르팅글에 대해 도오브의 선택 정지 정리(Doob’s Optional Stopping Theorem)를 적용한다.
• 볼록 함수에 대해 제닝스 부등식(Jensen’s inequality)을 적용하여 요소 활성화 조건 하에서의 프로빙 확률에 하한을 도출한다.
• 반복적인 랜덤화된 반올림과 CRS를 조합하여 내부(해결책) 및 외부(프로빙) 독립 시스템 모두에서 타당성을 유지한다.

실험 결과

연구 질문

• RQ1 스토케스틱 프로빙 환경에서 비음수 하위모듈러 함수에 대해 일정 요소 근사값을 달성하기 위해 경쟁 해결 기법을 어떻게 적응시킬 수 있는가?
• RQ2 전이 매트로이드에 대해 어떤 새로운 경쟁 해결 기법이 기존 도구보다 더 좋은 근사 비율을 제공하는가?
• RQ3 스토케스틱 매칭과 k-세트 패킹 알고리즘을 별도로 분석해왔던 두 알고리즘을 하나의 프레임워크로 통합 분석할 수 있는가?
• RQ4 반복적인 랜덤화된 반올림을 어떻게 비단조 하위모듈러 목표 함수를 다룰 수 있도록 확장할 수 있는가?
• RQ5 일반적인 제약 조건 하에서 활성 요소에 대해 보장할 수 있는 최소 프로빙 확률은 얼마인가?

주요 결과

• 논문은 비음수 하위모듈러 스토케스틱 프로빙 문제에 대해 일정 요소 근사값을 달성하여, 이전 방법이 단조 목표 함수에서만 작동했던 핵심적 한계를 해결한다.
• 전이 매트로이드에 대한 새로운 경쟁 해결 기법을 개발하여, 이전 도구보다 향상된 근사 비율을 달성한다.
• 제안된 프레임워크는 Bansal 등이 제안한 스토케스틱 매칭과 k-세트 패킹 알고리즘의 두 알고리즘을 통합 분석하여, 이들이 동일한 기반 기법에서 유래되었음을 보여준다.
• 적절한 조건 하에서 활성 요소가 프로빙되는 확률이 최소 1/3 이상 보장되며, 이는 초마르팅글 및 제닝스 부등식의 추론을 통해 도출된다.
• 경쟁 해결 기법의 새로운 응용을 통해 반복적인 랜덤화된 반올림 기법이 비단조 하위모듈러 목표 함수로 확장됨을 분석한다.
• 네 토대 논문의 통찰을 융합하여 보다 광범위한 적용 가능성을 지닌 통합된 프레임워크로 일반화함으로써 이전 결과를 확장한다.