[논문 리뷰] On Approximating Partial Set Cover and Generalizations

Chandra Chekuri, Kent Quanrud외 1명|arXiv (Cornell University)|2019. 07. 09.

Complexity and Algorithms in Graphs참고 문헌 24인용 수 6

한 줄 요약

이 논문은 하위모듈라리티와 선형계획법(LP) 라운딩을 활용하여 부분집합 커버(Partial-SC) 및 그 일반화 문제에 대한 근사 알고리즘을 향상시킨다. Partial-SC에 대해 $(1 - 1/e)(\beta + 1)$-근사 알고리즘을 제시하며, 이는 이전의 $2(\beta + 1)$-근사보다 개선된 결과이며, 다중 커버링 제약 조건으로의 확장을 위해 다중선형 확장과 농도 경계를 활용한 새로운 분석 기법을 도입한다.

ABSTRACT

Partial Set Cover (PSC) is a generalization of the well-studied Set Cover problem (SC). In PSC the input consists of an integer $k$ and a set system $(U,S)$ where $U$ is a finite set, and $S \subseteq 2^U$ is a collection of subsets of $U$. The goal is to find a subcollection $S' \subseteq S$ of smallest cardinality such that sets in $S'$ cover at least $k$ elements of $U$; that is $|\cup_{A \in S'} A| \ge k$. SC is a special case of PSC when $k = |U|$. In the weighted version each set $X \in S$ has a non-negative weight $w(X)$ and the goal is to find a minimum weight subcollection to cover $k$ elements. Approximation algorithms for SC have been adapted to obtain comparable algorithms for PSC in various interesting cases. In recent work Inamdar and Varadarajan, motivated by geometric set systems, obtained a simple and elegant approach to reduce PSC to SC via the natural LP relaxation. They showed that if a deletion-closed family of SC admits a $β$-approximation via the natural LP relaxation, then one can obtain a $2(β+ 1)$-approximation for PSC on the same family. In a subsequent paper, they also considered a generalization of PSC that has multiple partial covering constraints which is partly inspired by and generalizes previous work of Bera et al on the Vertex Cover problem. Our main goal in this paper is to demonstrate some useful connections between the results in previous work and submodularity. This allows us to simplify, and in some cases improve their results. We improve the approximation for PSC to $(1-1/e)(β+ 1)$. We extend the previous work to the sparse setting.

연구 동기 및 목표

• 하위모듈라 함수 분석을 통해 이전의 $2(\beta+1)$-근사도를 초월하는 Partial-SC의 근사 비율 향상.
• [BGKR14, IV18b]의 결과를 희박한 집합 체계와 다중 커버링 제약 조건으로 일반화.
• 하위모듈라리티와 다중선형 확장의 관점에서 Partial-SC 및 유사 문제에 대한 기존 접근법을 통합하고 단순화.
• 집합 커버 문제가 표준 LP를 통해 $\beta$-근사도를 제공하는 삭제폐쇄 가족에서 Partial-SC에 대해 더 날카로운 근사 보장을 제공.
• KC 부등식을 분리 오ракูล로 사용하는 엘립소이드 방법을 활용해 LP 기반 라운딩 기법의 적용 범위를 다중 제약 문제인 분할-SC 등으로 확장.

제안 방법

• 원래 Set Cover 인스턴스와 동일한 LP를 사용하여 Partial-SC를 자연스러운 LP 리 릴랙세이션을 통해 Set Cover로 환원.
• 분수 LP 해에 대해 랜덤라이즈드 라운딩 절차를 적용하며, 주요 단계로 $\tau$로 스케일된 변수들의 독립적 라운딩을 포함.
• 커버리지 함수의 다중선형 확장 $G(x)$를 사용해 기대 성능을 분석하고, 하위모듈라 최적화에서 알려진 농도 경계를 활용.
• 이중 단계 라운딩 과정을 적용: 먼저 독립적 라운딩을 통해 집합 $Y_1, Y_2$를 샘플링한 후 잔여 커버리지 요구사항 $b'_k$ 조건을 고려.
• 농도 부등식(Lemma 2.4)을 적용해 $\tau \leq (1 - 1/e)/4$ 일 때 잔여 커버리지가 $b'_k$ 이상일 확률이 상수 확률 $> 0.78$ 이상임을 보임.
• KC 부등식을 분리 오라클로 사용하는 엘립소이드 방법을 적용해 성능 보장에 필요한 제약 조건을 충족하는 분수 해를 확보.

실험 결과

연구 질문

• RQ1 하위모듈라 분석을 통해 Partial-SC의 근사 비율을 $2(\beta + 1)$를 초월해 향상시킬 수 있는가?
• RQ2 Partition-SC와 같이 다중 부분 커버링 제약 조건이 존재할 경우, Partial-SC 결과의 일반화 범위는 어느 정도인가?
• RQ3 특히 기하학적 또는 저빈도 설정에서 희박한 집합 체계일 경우, 알고리즘의 성능 보장가 유지되는가?
• RQ4 다중 제약 하위모듈라 집합 커버 문제에 대해 이중기준이 아닌 유일기준 근사도를 달성할 수 있는가?
• RQ5 KC 부등식을 사용하는 엘립소이드 방법에 대한 의존도를 줄이거나 더 효율적인 LP 해법 기법으로 대체할 수 있는가?

주요 결과

• 집합 커버 문제가 표준 LP를 통해 $\beta$-근사도를 제공하는 삭제폐쇄 가정에서, 이 논문은 Partial-SC에 대해 $(1 - 1/e)(\beta + 1)$-근사도를 달성한다.
• 이전의 $2(\beta + 1)$-근사도 대비 향상된 성능는 다중선형 확장과 농도 경계를 활용한 보다 날카로운 분석 덕분이다.
• 다중 제약 조건인 분할-SC 문제에 대해서도 이 방법은 희박한 집합 체계로 확장되며, 동일한 조건 하에서 상수 요인 근사도 유지.
• 분석 결과, $\tau \leq (1 - 1/e)/4$ 일 때 랜덤라이즈드 라운딩 절차가 잔여 커버리지 요구사항 $b'_k$를 확률 최소 $0.78$ 이상으로 충족함을 보여줌.
• 분수 해가 모든 KC 부등식을 충족하지 않더라도, KC 부등식 기반 분리 오라클을 사용하는 엘립소이드 방법을 통해 성능 보장이 유지됨.
• 결과적으로 하위모듈라 함수 성질—특히 다중선형 확장과 그 농도—는 일반화된 집합 커버 문제에 대한 기존 근사 알고리즘을 통합하고 강화하는 데 사용될 수 있음.