[논문 리뷰] Parameterized Approximation For Robust Clustering in Discrete Geometric Spaces

Fateme Abbasi, Sandip Banerjee외 7명|arXiv (Cornell University)|2023. 05. 12.

Facility Location and Emergency Management인용 수 1

한 줄 요약

이 논문은 이산 기하 공간에서 Robust (k, z)-Clustering에 대한 매개변수화된 근사 알고리즘을 제시하며, 고차원 유클리드 공간에서 3z(1 − η₀)-요소 FPT 근사와 하위常用대수 차원에 대한 효율적인 매개변수화된 근사 체계(EPAS)를 달성한다. 또한, 하위常用대수 차원에 대해 EPAS가 존재하지 않음을 보여주는 날카운 비근사 경계를 확립하며, 중심 요소 추출과 구 분해를 통한 (1 + ε)-근사 구현을 가능하게 하는 코어셋 기반 프레임워크를 제공한다.

ABSTRACT

We consider the well-studied Robust (k,z)-Clustering problem, which generalizes the classic k-Median, k-Means, and k-Center problems and arises in the domains of robust optimization [Anthony, Goyal, Gupta, Nagarajan, Math. Oper. Res. 2010] and in algorithmic fairness [Abbasi, Bhaskara, Venkatasubramanian, 2021 & Ghadiri, Samadi, Vempala, 2022]. Given a constant z ≥ 1, the input to Robust (k,z)-Clustering is a set P of n points in a metric space (M,δ), a weight function w: P → ℝ_{≥ 0} and a positive integer k. Further, each point belongs to one (or more) of the m many different groups S_1,S_2,…,S_m ⊆ P. Our goal is to find a set X of k centers such that max_{i ∈ [m]} ∑_{p ∈ S_i} w(p) δ(p,X)^z is minimized. Complementing recent work on this problem, we give a comprehensive understanding of the parameterized approximability of the problem in geometric spaces where the parameter is the number k of centers. We prove the following results: [(i)] 1) For a universal constant η₀ > 0.0006, we devise a 3^z(1-η₀)-factor FPT approximation algorithm for Robust (k,z)-Clustering in discrete high-dimensional Euclidean spaces where the set of potential centers is finite. This shows that the lower bound of 3^z for general metrics [Goyal, Jaiswal, Inf. Proc. Letters, 2023] no longer holds when the metric has geometric structure. 2) We show that Robust (k,z)-Clustering in discrete Euclidean spaces is (√{3/2}- o(1))-hard to approximate for FPT algorithms, even if we consider the special case k-Center in logarithmic dimensions. This rules out a (1+ε)-approximation algorithm running in time f(k,ε)poly(m,n) (also called efficient parameterized approximation scheme or EPAS), giving a striking contrast with the recent EPAS for the continuous setting where centers can be placed anywhere in the space [Abbasi et al., FOCS'23]. 3) However, we obtain an EPAS for Robust (k,z)-Clustering in discrete Euclidean spaces when the dimension is sublogarithmic (for the discrete problem, earlier work [Abbasi et al., FOCS'23] provides an EPAS only in dimension o(log log n)). Our EPAS works also for metrics of sub-logarithmic doubling dimension.

연구 동기 및 목표

• 매개변수 k에 대해 이산 기하 공간 내 Robust (k, z)-Clustering의 매개변수화된 근사 가능성을 이해하기 위해.
• 일반 메트릭에서 알려진 하한과 기하 설정에서 향상된 근사 간의 격차를 메우기 위해.
• 常用대수 차원에서 FPT 알고리즘에 대한 날카운 비근사 결과를 확립하기 위해.
• 하위常用대수 차원에서 효율적인 매개변수화된 근사 체계(EPAS)를 개발하기 위해.
• 중심 요소 추출과 기하학적 구 분해를 통한 (1 + ε)-근사 가능성을 보장하는 코어셋 기반 프레임워크를 제공하기 위해.

제안 방법

• 고차원 유클리드 공간에서 중심 요소 추출과 기하학적 구 분해를 사용하여 (3z(1 − η₀))-요소 FPT 근사 알고리즘을 설계한다.
• 입력 크기를 줄이면서 근사 품질을 유지하기 위해 크기가 (2z/ε)^O(d) · k^z · log n인 코어셋 구성 기법을 적용한다.
• (1 + ε/10z)-반올림된 반경에 대한 전수 조사와 ε-넷 기반의 시설 샘플링을 통한 (1 + ε)-근사 알고리즘을 활용한다.
• 구 분해 레미마를 사용하여 각 클러스터의 후보 중심 수를 이중화 차원 d를 통해 제한한다.
• 이중화 차원 성질을 활용하여 밀도가 높고 분리된 집합에 대해 (r/ε)^O(d) 상한을 확보한다.
• 코어셋 보장을 FPT 추출과 조합하여 시간 복잡도 (2z/ε)^O(d) · k^z · log k)^O(k) · poly(n, m) 내에서 (1 + ε)-근사 도달.

실험 결과

연구 질문

• RQ1 일반 메트릭에서 알려진 3z 하한이 기하학적 구조를 가진 공간에서는 깨질 수 있는가?
• RQ2 이산 유클리드 공간에서 하위常用대수 차원을 가진 Robust (k, z)-Clustering에 대해 효율적인 매개변수화된 근사 체계(EPAS)가 존재하는가?
• RQ3 매개변수 k에 대해 기하 공간 내 Robust (k, z)-Clustering의 진정한 매개변수화된 근사 가능성은 무엇인가?
• RQ4 코어셋 구성 기법을 사용해 기하 설정에서 효율적인 (1 + ε)-근사 알고리즘을 설계할 수 있는가?
• RQ5 이산 Robust (k, z)-Clustering에서 상수 차원에 대해 EPAS의 기본 장벽이 존재하는가?

주요 결과

• 이 논문은 이산 고차원 유클리드 공간 내 Robust (k, z)-Clustering에 대해 3z(1 − η₀)-요소 FPT 근사 알고리즘을 달성하며, 일반 메트릭에서 알려진 3z 하한을 깨뜨린다.
• 논문은 표준 복잡도 가정 하에, 즉사적으로 k-Center 경우를 포함하여, 상수 차원에서 EPAS가 존재하지 않음을 증명한다.
• 하위常用대수 차원에 대해 EPAS를 구성하였으며, 이는 이전 연구가 o(log log n) 차원이 필요로 했던 것을 개선한다.
• 코어셋 크기는 (2z/ε)^O(d) · k^z · log n 이하이며, 원래 문제의 (1 + ε)-근사 품질을 유지한다.
• 알고리즘은 시간 복잡도 (2z/ε)^O(d) · k^z · log k)^O(k) · poly(n, m) 내에서 (1 + ε)-근사 도달하며, 원하는 EPAS 효율성과 일치한다.
• 구 분해 레미마는 밀도가 높고 분리된 집합에 대해 (r/ε)^O(d) 상한을 보장하며, 이중 메트릭에서의 효율적 추출 가능성을 보장한다.