[논문 리뷰] Robust Algorithms Under Adversarial Injections

Paritosh Garg, Sagar Kale외 2명|arXiv (Cornell University)|2020. 01. 01.

Optimization and Search Problems참고 문헌 24인용 수 2

한 줄 요약

이 논문은 적대적 주입(adversarial-injections) 모델을 소개한다. 이는 입력 스트림이 무작위 순서로 구성되지만, 적대자가 스트림 어디에선가 오염된 요소를 주입할 수 있는 반-무작위 스트리밍 프레임워크이다. 저자는 기저 수치 제약 조건을 가진 단조 감소하는 부분모듈라 최대화 문제에 대해, 적대자의 영향을 노이즈 주입으로 제한하기 위해 재귀적 분석을 활용하는 간단하고 새로운 스트리밍 알고리즘을 제안한다. 이 알고리즘은 0.55-근사값을 달성하며, 더 약한 무작위성 가정 하에서도 스트리밍 알고리즘의 강건성 향상에 있어 중요한 전진이다.

ABSTRACT

In this paper, we study streaming and online algorithms in the context of randomness in the input. For several problems, a random order of the input sequence---as opposed to the worst-case order---appears to be a necessary evil in order to prove satisfying guarantees. However, algorithmic techniques that work under this assumption tend to be vulnerable to even small changes in the distribution. For this reason, we propose a new \emph{adversarial injections} model, in which the input is ordered randomly, but an adversary may inject misleading elements at arbitrary positions. We believe that studying algorithms under this much weaker assumption can lead to new insights and, in particular, more robust algorithms. We investigate two classical combinatorial-optimization problems in this model: Maximum matching and cardinality constrained monotone submodular function maximization. Our main technical contribution is a novel streaming algorithm for the latter that computes a $0.55$-approximation. While the algorithm itself is clean and simple, an involved analysis shows that it emulates a subdivision of the input stream which can be used to greatly limit the power of the adversary.

연구 동기 및 목표

• 작은 분포적 편향에 취약한 무작위 순서 스트리밍 알고리즘의 취약성을 해결하기 위해.
• 최악의 경우와 무작위 순서 스트림 사이에 위치하는 새로운 모델인 적대적 주입을 제안하여 더 강건한 알고리즘 설계를 가능하게 하기 위해.
• 균일한 무작위성에 과도하게 적응하지 않고도 현실적인 입력 왜곡 상황에서도 강력한 근사 보장을 유지하는 알고리즘 개발을 위해.
• 적대적 노이즈 존재 하에서도 하위선형 메모리로 1−1/e와 같은 강력한 보장을 달성할 수 있는지 조사하기 위해.
• 매칭 및 부분모듈라 최대화 문제에 대해, 특히 온라인 모델과 스트리밍 모델 간의 분리 여부를 적대적 주입 하에서 탐구하기 위해.

제안 방법

• 적대적 주입 모델을 제안: 입력은 무작위 순서이지만, 적대자가 어디에선가 노이즈 요소를 주입할 수 있으며, 알고리즘은 노이즈 요소를 식별하지 못한다.
• 알고리즘 성능을 분석하기 위해, '좋은' 요소(Egood)에서의 최적 해와 알고리즘의 해를 비교한다. 이때 주입된 노이즈는 제외한다.
• 요소 수와 라운드 수에 대한 귀납 기반의 재귀적 분석 프레임워크를 사용하며, 기댓값 근사 비율을 유 bounds하기 위해 R(k,h)라는 재귀식을 정의한다.
• 적대자가 알고리즘의 결정에 미치는 영향을 제한하기 위해 입력 스트림의 분할을 모방하는 새로운 기법을 적용한다.
• t=0.8 기반의 임계값 전략을 사용하여 고가치 요소와 노이즈 사이의 균형을 맞추며, 적대적 주입에 대한 강건성을 확보한다.
• 조건부 기대값과 부분모듈라성의 성질을 활용하여 두 경우를 분석함: 알고리즘이 조기에 좋은 요소를 선택하는 경우 또는 노이즈에 속임을 당하는 경우. 이를 통해 근사 비율의 하한을 유도한다.

실험 결과

연구 질문

• RQ1 무작위 순서 모델을 위해 설계된 알고리즘이, 입력 스트림에서 소규모의 적대적 편향에 대해 강건하게 만들 수 있는가?
• RQ2 제한된 메모리 조건 하에서도 적대적 주입이 존재하는 스트리밍 환경에서 부분모듈라 최대화 문제에 대해 일정한 근사 비율(예: 0.55)을 달성할 수 있는가?
• RQ3 적대적 주입 모델은 조합 최적화 문제에 대해 온라인 모델과 스트리밍 모델 간에 의미 있는 분리를 드러내는가?
• RQ4 우리의 우도 크기 n과 독립적인 메모리로도 부분모듈라 최대화 문제에서 1−1/e 근사 비율을 달성할 수 있는가?
• RQ5 적대적 주입 모델에서 스트리밍 알고리즘의 근사 비율과 메모리 사용량 사이의 기본적인 상호 교환 관계는 무엇인가?

주요 결과

• 기본 수치 제약 조건을 가진 단조 감소하는 부분모듈라 최대화 문제에 대해 제안된 스트리밍 알고리즘은 적대적 주입 모델에서 처음으로 0.55-근사 비율을 달성한다.
• 알고리즘은 우도 크기 n과 무관하게 기저 수치 제약 조건 k에만 의존하는 메모리 사용량으로 0.55-근사 비율을 유지한다.
• t=0.8일 때, 모든 양의 정수 k에 대해 R(k,k) ≥ 0.5506임을 분석을 통해 증명함으로써 기댓값 근사 비율의 하한을 확립한다.
• 알고리즘이 중요한 결정에 영향을 주는 적대자의 영향을 제한하기 위해 스트림 분할을 모방함으로써 적대적 노이즈 주입에 강건하다.
• 무게 없는 매칭 문제에 대해, 이 모델은 스트리밍 설정에서는 1/2의 장벽을 뛰어넘을 수 있지만, 온라인 설정에서는 그렇지 않으며, 이는 두 모델 간에 비차별적인 분리를 시사한다.
• 결과적으로, 더 강력한 보장인 1−1/e는 다항식(k) 메모리로 달성 가능할 수 있음을 시사하지만, 이는 아직 미해결 문제이다.