[논문 리뷰] Streaming Submodular Maximization under a $k$-Set System Constraint

Ran Haba, Ehsan Kazemi외 2명|arXiv (Cornell University)|2020. 02. 09.

Complexity and Algorithms in Graphs참고 문헌 37인용 수 6

한 줄 요약

이 논문은 $k$-세트 시스템 및 $k$-확장 가능 제약 조건 하에서 비단조화 하위모듈러 최대화를 위한 스트리밍 알고리즘을 단조 하위모듈러 최대화를 위한 알고리즘으로 변환하는 새로운 프레임워크를 제안한다. 이는 각각 $O(k\log k)$ 및 $O(k^2\log k)$의 알려진 최초의 근사 비율을 달성하며, 소셜 미디어 및 위치 데이터를 포함한 데이터 요약 작업에서 광범위한 실험적 검증을 수행하였다.

ABSTRACT

In this paper, we propose a novel framework that converts streaming algorithms for monotone submodular maximization into streaming algorithms for non-monotone submodular maximization. This reduction readily leads to the currently tightest deterministic approximation ratio for submodular maximization subject to a $k$-matchoid constraint. Moreover, we propose the first streaming algorithm for monotone submodular maximization subject to $k$-extendible and $k$-set system constraints. Together with our proposed reduction, we obtain $O(k\log k)$ and $O(k^2\log k)$ approximation ratio for submodular maximization subject to the above constraints, respectively. We extensively evaluate the empirical performance of our algorithm against the existing work in a series of experiments including finding the maximum independent set in randomly generated graphs, maximizing linear functions over social networks, movie recommendation, Yelp location summarization, and Twitter data summarization.

연구 동기 및 목표

• 복잡한 제약 조건인 $k$-세트 시스템 및 $k$-확장 가능 시스템과 같은 환경에서 비단조화 하위모듈러 최대화를 위한 스트리밍 알고리즘이 부족한 문제를 해결하기 위해.
• 기존의 단조 하위모듈러 최대화를 위한 스트리밍 알고리즘을 비단조화 설정으로 전환할 수 있는 일반적인 프레임워크를 개발하기 위해.
• 스트리밍 모델에서 $k$-매치로이드, $k$-확장 가능, $k$-세트 시스템 제약 조건 하에서 하위모듈러 최대화의 날카운 근사 비율을 확보하기 위해.
• 메모리 및 단일 패assing 제약 조건 하에서 실세계의 데이터 요약 작업(소셜 네트워크, Yelp, Twitter 포함)에 대해 제안된 방법을 실증적으로 평가하기 위해.

제안 방법

• 단조 하위모듈러 최대화를 위한 스트리밍 알고리즘을 비단조화 하위모듈러 최대화를 위한 스트리밍 알고리즘으로 변환하는 감소 프레임워크를 제안한다.
• 감소 기법을 적용하여 $k$-세트 시스템 및 $k$-확장 가능 제약 조건 하에서의 단조 하위모듈러 최대화를 위한 첫 번째 스트리밍 알고리즘을 유도한다.
• 단일 패assing 및 메모리 효율적인 알고리즘을 사용하여, 경계 이득과 제약 조건의 타당성에 기반해 어떤 요소를 포함하거나 제외할지 동적으로 결정함으로써 타당한 해를 유지한다.
• 복잡한 제약 조건 하에서 근사 보장을 유지하기 위해 부분 표본 추출 및 근사 선택 전략을 활용한다.
• 매트로이드 및 캐리어 제약 조건을 $k$-확장 가능 시스템 프레임워크에 통합하여 실세계의 요약 작업을 모델링한다.
• 시간 및 길이와 같은 여러 캐리어 제약 조건을 정규화하고 통합하여 스트리밍 데이터에서 다양한 요약 목표를 모델링한다.

실험 결과

연구 질문

• RQ1 복잡한 제약 조건 하에서 단조 하위모듈러 최대화를 위한 스트리밍 알고리즘을 비단조화 하위모듈러 최대화를 위한 알고리즘으로 변환할 수 있는 일반적인 프레임워크를 설계할 수 있는가?
• RQ2 $k$-세트 시스템 및 $k$-확장 가능 제약 조건 하에서 스트리밍 하위모듈러 최대화의 최고로 달성 가능한 근사 비율은 무엇인가?
• RQ3 제안된 프레임워크는 $k$-세트 시스템 제약 조건 하에서 선형 함수와 같은 특수 케이스에 대해 기존 알고리즘보다 더 나은 근사 비율을 달성할 수 있는가?
• RQ4 실세계의 데이터 요약 작업에서 제안된 스트리밍 알고리즘의 성능은 오프라인 및 기준 스트리밍 알고리즘과 비교해 어떻게 되는가?
• RQ5 엄격한 메모리 및 단일 패assing 제약 조건 하에서도 알고리즘이 높은 유틸리티를 유지하는가?

주요 결과

• 제안된 프레임워크는 $k$-매치로이드 제약 조건 하에서 하위모듈러 최대화의 현재까지 가장 날카로운 결정론적 근사 비율인 $O(k\log k)$를 달성한다.
• 제안된 첫 번째 스트리밍 알고리즘은 $k$-세트 시스템 제약 조건 하에서 단조 하위모듈러 최대화를 위한 것이며, $O(k^2\log k)$의 근사 비율을 달성한다.
• $k$-확장 가능 시스템 제약 조건 하에서는 알고리즘이 $O(k\log k)$의 근사 비율을 달성하며, 선형 함수 케이스에서 이전의 $O(k^2)$ 기준보다 크게 향상되었다.
• 실증적 평가 결과, 단일 패assing 및 메모리 제약 조건 하에서도 제안된 알고리즘이 최첨단 오프라인 알고리즘과 유사한 유틸리티를 달성한다.
• Twitter 및 Yelp 요약 작업에서, 알고리즘은 기준 스트리밍 방법을 능가하며, 여러 제약 조건 하에서도 일부 오프라인 알고리즘을 따라하거나 초월하는 유틸리티를 달성한다.
• 결과는 예상대로 더 많은 제약 조건(예: Twitter 데이터의 시간 및 길이)을 추가할수록 요약 유틸리티가 감소하는 것을 확인하였으며, 이는 모델이 제약 조건 복잡성에 민감함을 검증한다.