[논문 리뷰] Perturbation Resilient Clustering for $k$-Center and Related Problems via LP Relaxations

Chandra Chekuri, Shalmoli Gupta|arXiv (Cornell University)|2018. 01. 01.

Facility Location and Emergency Management참고 문헌 3인용 수 2

한 줄 요약

이 논문은 2-퍼터베이션 리스크 조건 하에서 k-center 및 k-center와 아웃라이어를 포함한 문제에 대한 자연스러운 선형계획법(LP) 리 릿지제가 정수적임을 보여준다. 즉, 거리의 메트릭을 유지하는 방식으로 2배 이내로 변형된 경우에도 최적의 클러스터링을 정확히 복원한다. 이 접근법은 MST 기반 분해와 변환된 이진 트리에서의 동적 프로그래밍을 조합하여, k-median 및 k-means와 같은 여러 중심 기반 목적함수에 대해 동일한 리스크 조건 하에서 정확한 해법을 제시한다.

ABSTRACT

We consider clustering in the perturbation resilience model that has been studied since the work of Bilu and Linial [ICS, 2010] and Awasthi, Blum and Sheffet [Inf. Proc. Lett., 2012]. A clustering instance $I$ is said to be $α$-perturbation resilient if the optimal solution does not change when the pairwise distances are modified by a factor of $α$ and the perturbed distances satisfy the metric property --- this is the metric perturbation resilience property introduced in Angelidakis et. al. [STOC, 2010] and a weaker requirement than prior models. We make two high-level contributions. 1) We show that the natural LP relaxation of $k$-center and asymmetric $k$-center is integral for $2$-perturbation resilient instances. We belive that demonstrating the goodness of standard LP relaxations complements existing results that are based on combinatorial algorithms designed for the perturbation model. 2) We define a simple new model of perturbation resilience for clustering with \emph{outliers}. Using this model we show that the unified MST and dynamic programming based algorithm proposed by Angelidakis et. al. [STOC, 2010] exactly solves the clustering with outliers problem for several common center based objectives (like $k$-center, $k$-means, $k$-median) when the instances is $2$-perturbation resilient. We further show that a natural LP relxation is integral for $2$-perturbation resilient instances of \kcenter with outliers.

연구 동기 및 목표

• 안정적인 클러스터링 인스턴스에서 표준 LP 리 릿지제가 실무에서 잘 작동하는 이유를 이해하기 위해.
• 특히 k-center 및 관련 문제에 대해 퍼터베이션 리스크 조건 하에서 LP 리 릿지제의 정수성에 대한 이론적 보장을 확립하기 위해.
• 아웃라이어를 포함한 클러스터링을 위한 새로운 메트릭-퍼터베이션 리스크 모델을 제안하고, 이 모델이 정확한 다항시간 해법을 가능하게 함을 보여주기 위해.
• k-center, k-median, k-means와 아웃라이어를 하나의 프레임워크 기반으로 통합 분석하기 위해.
• 기존의 수학적 프로그래밍 공식화(LPs)가 안정된 인스턴스에서 최적의 해를 정확히 포괄할 수 있음을 보여주며, 특수화된 알고리즘 설계의 보완을 제공하기 위해.

제안 방법

• 퍼터베이션 리스크 조건 하에서의 구조적 안정성을 활용하기 위해 입력 점 집합의 최소 스패닝 트리(MST)를 구성한다.
• 이중 정점(dummy vertices)을 사용하여 MST를 이진 트리로 변환하여 이진 구조에서의 효율적 동적 프로그래밍을 가능하게 한다.
• 서브트리 Tu를 j개의 클러스터로 분할할 때의 최소 비용을 추적하는 동적 프로그래밍 상태 opt(u, j, t, c)를 정의한다. 여기서 t는 아웃라이어 수이며, c는 u를 포함한 클러스터의 중심이다.
• 왼쪽 및 오른쪽 서브트리의 해를 조합하기 위해 재귀 공식을 사용하며, u가 아웃라이어이거나 자식들과 함께 클러스터에 속해 있는 경우를 모두 다룬다.
• 비용 함수와 아웃라이어 제약 조건을 수정하면서도 동적 프로그래밍 구조를 유지함으로써, k-center와 아웃라이어를 포함한 문제에 동일한 프레임워크를 적용한다.
• 2-퍼터베이션 리스크 조건 하에서 LP 리 릿지제가 정수적임을 증명함으로써, 최적의 클러스터링이 정확히 복원됨을 의미한다.

실험 결과

연구 질문

• RQ1 k-center 및 k-center와 아웃라이어를 포함한 문제에 대한 표준 LP 리 릿지제가 2-퍼터베이션 리스크 조건 하에서 정수적임을 입증할 수 있는가?
• RQ2 이전 연구에서 제안된 MST 기반 동적 프로그래밍 프레임워크가 메트릭 퍼터베이션 리스크 조건 하에서 아웃라이어를 포함한 클러스터링에 확장 가능한가?
• RQ3 아웃라이어를 포함한 클러스터링에 대해 정확한 다항시간 해법을 가능하게 하는 통합된 퍼터베이션 리스크 모델을 정의할 수 있는가?
• RQ4 퍼터베이션 리스크 조건 하에서 LP 리 릿지제의 정수성은 일반적인 현상인가, 아니면 특정 알고리즘에 국한된 현상인가?
• RQ5 기존 휴리스틱의 성능은 안정된 인스턴스에서의 LP 정수성에 의해 이론적으로 설명될 수 있는가?

주요 결과

• 메트릭 퍼터베이션 하에서 2-퍼터베이션 리스크 조건을 만족하는 k-center 문제에 대해 자연스러운 LP 리 릿지제는 정수적임을 보여주며, 최적의 해가 정확히 복원됨을 보장한다.
• 제안된 메트릭 기반 모델 하에서 2-퍼터베이션 리스크 조건을 만족하는 k-center와 아웃라이어를 포함한 문제에 대해서도 동일한 LP 리 릿지제가 정수적임을 입증한다.
• MST 기반 동적 프로그래밍 알고리즘을 통합하여 2-퍼터베이션 리스크 조건 하에서 k-center, k-median, k-means와 아웃라이어를 정확히 해결할 수 있다.
• MST의 이진 트리 표현에서의 동적 프로그래밍 공식화는 트리 분할 문제를 정확히 해결할 수 있으며, 이는 원래의 아웃라이어를 포함한 클러스터링 문제와 동치이다.
• 이 프레임워크는 k-means 및 k-median와 아웃라이어를 포함한 다른 ℓp 목적함수로 일반화 가능하며, 동일한 2-퍼터베이션 리스크 조건 하에서 적용된다.
• 결과적으로 표준 LP 리 릿지제가 안정된 인스턴스에서 최적의 해를 정확히 포괄할 수 있음을 보여주며, 이러한 공식화의 실무 성공에 대한 이론적 설명을 제공한다.