[논문 리뷰] Stochastic Knapsack: Semi-Adaptivity Gaps and Improved Approximation

Zohar Barak, Inbbal Talgam-Cohen|arXiv (Cornell University)|2026. 02. 27.

Optimization and Search Problems인용 수 0

한 줄 요약

본 논문은 Risky-Stochastic Knapsack에 대한 반-적응 정책을 연구하여 적응성 간극의 경계를 개선하고, 이전 연구보다 더 나은 근사치를 제공하는 상수 개의 적응 쿼리 전략을 제시한다.

ABSTRACT

In stochastic combinatorial optimization, algorithms differ in their adaptivity: whether or not they query realized randomness and adapt to it. Dean et al. (FOCS '04) formalize the adaptivity gap, which compares the performance of fully adaptive policies to that of non-adaptive ones. We revisit the fundamental Stochastic Knapsack problem of Dean et al., where items have deterministic values and independent stochastic sizes. A policy packs items sequentially, stopping at the first knapsack overflow or before. We focus on the challenging risky variant, in which an overflow forfeits all accumulated value, and study the problem through the lens of semi-adaptivity: We measure the power of $k$ adaptive queries for constant $k$ through the notions of $0$-$k$ semi-adaptivity gap (the gap between $k$-semi-adaptive and non-adaptive policies), and $k$-$n$ semi-adaptivity gap (between fully adaptive and $k$-semi-adaptive policies). Our first contribution is to improve the classic results of Dean et al. by giving tighter upper and lower bounds on the adaptivity gap. Our second contribution is a smoother interpolation between non-adaptive and fully-adaptive policies, with the rationale that when full adaptivity is unrealistic (due to its complexity or query cost), limited adaptivity may be a desirable middle ground. We quantify the $1$-$n$ and $k$-$n$ semi-adaptivity gaps, showing how well $k$ queries approximate the fully-adaptive policy. We complement these bounds by quantifying the $0$-$1$ semi-adaptivity gap, i.e., the improvement from investing in a single query over no adaptivity. As part of our analysis, we develop a 3-step "Simplify-Equalize-Optimize" approach to analyzing adaptive decision trees, with possible applications to the study of semi-adaptivity in additional stochastic combinatorial optimization problems.

연구 동기 및 목표

• Overflow에서 누적 값이 손실되는 위험 오버플로우를 가진 Stochastic Knapsack으로 재검토합니다.
• 특히 상수 k에 대한 0-k 및 k-n 반-적응 간극을 통해 제한된 적응성의 힘을 정량화합니다.
• 적은 수의 적응 쿼리로 향상된 근사비를 달성하는 다항 시간 알고리즘을 개발합니다.
• 비적응 정책과 완전 적응 정책 사이의 더 매끄러운 보간을 제공합니다.
• 다른 확률적 문제에 적용 가능한 적응 결정 트리를 분석하기 위한 3단계 방법을 소개합니다.

제안 방법

• Risky-SK 및 Non-Risky-SK에 대해 0-k 및 k-n 반-적응 간극을 정의하고 분석합니다.
• 간단한 비적응 정책을 설계하고 한 가지 적응 선택을 추가하여 보장을 개선합니다.
• epsilon 임계값으로 아이템을 소/대분류하고 k 적응 쿼리를 갖는 정책을 개발합니다.
• LP 기반의 상한과 Simple-Greedy 접근법을 사용하여 적응성 간극을 상한합니다.
• 간극을 제한하고 최악의 사례를 도출하기 위한 3단계 Simplify-Equalize-Optimize 프레임워크를 적용합니다.
• 높이-k 적응 트리를 포착하는 H_k 인스턴스 계열에 초점을 맞춰 경계를 증명합니다.

실험 결과

연구 질문

• RQ1 적응 쿼리의 제한이 위험 오버플로우 아래의 Stochastic Knapsack 성능에 어떤 영향을 미칠까?
• RQ2 Risky-SK 및 Non-Risky-SK에 대해 0-k 및 k-n 반-적응 간극은 얼마나 크게 나타날 수 있는가?
• RQ3 상수 개의 적응 선택으로 완전 적응 정책을 작은 추가 요건으로 근사할 수 있는가?
• RQ4 작은 아이템과 큰 아이템이 반-적응 하에서 달성 가능한 근사에 어떤 영향을 미치는가?
• RQ5 단일 적응 선택 이익(0-1 간극)의 타이트한 정도와 1-n 간극의 경계는 어떠한가?

주요 결과

• Risky-SK의 0-n 전체 적응 간극: 상한 8.47 및 하한 2.
• Risky-SK의 0-1 반-적응 간극: 상한과 하한이 모두 1.69.
• Risky-SK의 1-n 반-적응 간극: 상한 8.26 및 하한 1.18.
• Risky-SK의 k-n 반-적응 간극에서 k = ~O(1/ε)일 때 상한 6.44 + sqrt(ε).
• Non-Risky-SK의 유사 간극은 개선되어 ε-노이즈 베르누이 사례의 상한 2 및 관련 사례의 하한 1.37을 포함한다.
• 결과는 상수 개의 적응 쿼리가 비적응 정책보다 상당히 개선될 수 있음을 시사하며, 0-k 및 k-n 간극의 곱이 표준 적응 간극을 상한한다.