[논문 리뷰] Optimal Algorithms for Submodular Maximization with Distributed Constraints

Alexander Robey, Arman Adibi외 3명|arXiv (Cornell University)|2019. 09. 30.

Complexity and Algorithms in Graphs참고 문헌 30인용 수 6

한 줄 요약

이 논문은 분산 파artition 매트로이드 제약 조건 하에서 부분모듈러 최대화 문제에 대해 날카로운 $(1 - 1/e)$ 근사값을 달성하는 메시지 전달 알고리즘인 제약-분산 연속 그레디언트(CDCG)를 제안한다. 이 알고리즘은 이산 문제를 연속 영역으로 확장하고, 적절한 라운딩을 적용한 공감 기반 최적화를 통해 국지적 에이전트들이 공동으로 부분모듈러 목표 함수를 최대화하면서도 전역 최적성 보장을 받을 수 있도록 한다. 이는 순차적 그레디언트 방법보다 크게 슈퍼어리어하여 성능을 뛰어넘는다.

ABSTRACT

We consider a class of discrete optimization problems that aim to maximize a submodular objective function subject to a distributed partition matroid constraint. More precisely, we consider a networked scenario in which multiple agents choose actions from local strategy sets with the goal of maximizing a submodular objective function defined over the set of all possible actions. Given this distributed setting, we develop Constraint-Distributed Continuous Greedy (CDCG), a message passing algorithm that converges to the tight $(1-1/e)$ approximation factor of the optimum global solution using only local computation and communication. It is known that a sequential greedy algorithm can only achieve a $1/2$ multiplicative approximation of the optimal solution for this class of problems in the distributed setting. Our framework relies on lifting the discrete problem to a continuous domain and developing a consensus algorithm that achieves the tight $(1-1/e)$ approximation guarantee of the global discrete solution once a proper rounding scheme is applied. We also offer empirical results from a multi-agent area coverage problem to show that the proposed method significantly outperforms the state-of-the-art sequential greedy method.

연구 동기 및 목표

• 에이전트들이 국지 전략 집합을 가진 분산 네트워크 환경에서 부분모듈러 목표 함수를 최대화하는 문제에 대응하기 위해.
• 순차적 그레디언트 알고리즘은 분산 환경에서 최대 $1/2$ 근사값만을 달성할 수 있다는 한계를 극복하기 위해.
• 전역 최적해에 대해 날카로운 $(1 - 1/e)$ 근사값을 보장하는 확장 가능한 분산 알고리즘을 개발하기 위해.
• 다중 에이전트 커버리지, 분산 데이터 요약, 로봇 센싱과 같은 응용 분야에 실용적으로 구현 가능하게 하기 위해.

제안 방법

• 다양한 선형 확장 기법을 사용하여 이산 부분모듈러 최대화 문제를 연속 영역으로 이행하기 위해.
• 에이전트들이 공동으로 연속 완화를 최적화할 수 있도록 공감 기반 연속 그레디언트 알고리즘을 설계하기 위해.
• 국지적 메시지 전달을 통해 에이전트 간 변수를 동기화하면서도 분산 계산을 유지하기 위해.
• 연속 해를 다시 이산 탐색 가능 해로 변환하기 위해 무작위 라운딩 기법을 적용하기 위해.
• 국지적 행동 집합이 수량 제약과 상호 배타성 제약을 만족하도록 하여 분산 파artition 매트로이드 제약 조건을 강제하기 위해.
• 연속 완화와 공감 동역학의 이론적 분석을 통해 $(1 - 1/e)$ 근사값 수렴를 증명하기 위해.

실험 결과

연구 질문

• RQ1 분산 파artition 매트로이드 제약 조건 하에서 부분모듈러 최대화 문제에 대해 분산 알고리즘이 날카로운 $(1 - 1/e)$ 근사값을 달성할 수 있는가?
• RQ2 국지적 메시지 전달을 통해 에이전트들이 중앙 집중식 제어 없이도 전역 최적성 보장을 달성할 수 있는가?
• RQ3 이 설정에서 순차적 그레디언트 방법과 적절히 설계된 분산 알고리즘 간의 성능 격차는 어떠한가?
• RQ4 연속적 완화와 공감 프레임워크를 사용하여 분산 네트워크에서 근사 보장을 유지할 수 있는가?
• RQ5 기존 방법들과 비교해 볼 때, 제안된 방법은 실제 다중 에이전트 커버리지 작업에서 어떻게 확장성과 성능을 발휘하는가?

주요 결과

• CDCG는 분산 파artition 매트로이드 제약 조건 하에서 부분모듈러 최대화 문제에 대해 날카로운 $(1 - 1/e)$ 근사값을 달성하며, 중앙 집중식 환경에서의 최고 성능과 동일한 근사 수준을 확보한다.
• 다중 에이전트 영역 커버리지 문제에서의 실험 평가에서 CDCG는 최신 기술의 순차적 그레디언트 방법을 뛰어넘는 성능을 보였다.
• CDCG의 분산 구조는 국지적 통신만으로도 다수의 에이전트 간 확장 가능하고 견고한 최적화를 가능하게 한다.
• 이론적 분석을 통해 연속적 완화와 공감 기반 최적화를 통해 최적 근사 비율 수렴가능성을 확인하였다.
• 실험 결과는 CDCG가 특히 고차원적이고 제약 조건이 많은 환경에서 순차적 그레디언트 방법보다 해의 품질을 크게 향상시킴을 보여주었다.