[논문 리뷰] Submodular Maximization under Supermodular Constraint: Greedy Guarantees

Ajitesh Srivastava, Shanghua Teng|arXiv (Cornell University)|2026. 02. 18.

Complexity and Algorithms in Graphs인용 수 0

한 줄 요약

이 논문은 상한 초모듈러 제약 하에서 단조성 부분모듈러 함수를 최대화하는 것을 분석하고, 비율 기반 탐욕 알고리즘과 쌍기준 보장, 더불어 이중성 결과 및 실험을 제안한다.

ABSTRACT

Motivated by a wide range of applications in data mining and machine learning, we consider the problem of maximizing a submodular function subject to supermodular cost constraints. In contrast to the well-understood setting of cardinality and matroid constraints, where greedy algorithms admit strong guarantees, the supermodular constraint regime remains poorly understood -- guarantees for greedy methods and other efficient algorithmic paradigms are largely open. We study this family of fundamental optimization problems under an upper-bound constraint on a supermodular cost function with curvature parameter $γ$. Our notion of supermodular curvature is less restrictive than prior definitions, substantially expanding the class of admissible cost functions. We show that our greedy algorithm that iteratively includes elements maximizing the ratio of the objective and constraint functions, achieves a $\left(1 - e^{-(1-γ)} ight)$-approximation before stopping. We prove that this approximation is indeed tight for this algorithm. Further, if the objective function has a submodular curvature $c$, then we show that the bound further improves to $\left(1 - (1- (1-c)(1-γ))^{1/(1-c)} ight)$, which can be further improved by continuing to violate the constraint. Finally, we show that the Greedy-Ratio-Marginal in conjunction with binary search leads to a bicriteria approximation for the dual problem -- minimizing a supermodular function under a lower bound constraint on a submodular function. We conduct a number of experiments on a simulation of LLM agents debating over multiple rounds -- the task is to select a subset of agents to maximize correctly answered questions. Our algorithm outperforms all other greedy heuristics, and on smaller problems, it achieves the same performance as the optimal set found by exhaustive search.

연구 동기 및 목표

• 상모듈러 비용 상한을 제약으로 하는 부분모듈러 함수를 최대화하는 문제를 동기화하고 형식화한다.
• 상모듈러 곡률에 연계된 쌍기준 근사 보장을 수립하고 비율 기반의 탐욕 알고리즘을 도입한다.
• 목표 함수와 제약의 곡률이 보장을 개선하는 방법을 분석하고 이중 문제로 결과를 확장한다.
• LLM 토론 에이전트의 시뮬레이션을 통해 실용적 성능을 입증하고 다른 휴리스틱과 비교한다.

제안 방법

• f가 단조로운 부분모듈러이고 g가 단조로운 초모듈러이며 상한 예산 theta를 가지는 SMSC 문제를 정의한다.
• f(v|S)/g(v|S)를 최대화하는 원소를 선택하고 예산이 초과될 때 중지하는 Greedy Ratio-Marginal 규칙을 제안한다.
• g의 곡률 γ를 포함하는 곡률 기반 분석을 도입하고 f(S_k) ≥ (1 − e^{−(1−γ)}) f(S*) 및 g(S_k) ≤ ((2−γ)/(1−γ)) θ와 같은 형태의 쌍기준 보장을 도출한다.
• 보장을 더욱 단단하게 만들기 위해 f의 곡률이 알려진 경우의 정밀화를 제공한다.
• 제약을 넘어 지속적인 초과에 대한 분석을 확장하고 향상된 경계를 얻는다.
• 이진 탐색을 이용해 쌍기준 원래 보장을 이중 문제 보장으로 전환하는 이중 문제 접근법을 설명한다.

Figure 1 . Summary of our results for submodular maximization with supermodular constraint: We find the approximation factor as a function of the supermodular curvature (right) when Greedy algorithm exceeds the constraint for the first time. We obtain better approximation when submodular objective h

실험 결과

연구 질문

• RQ1 탐욕 방법이 초모듈러 제약하에서 부분모듈러 함수를 최대화할 때 어떤 근사 보장을 달성할 수 있는가?
• RQ2 SMSC에서 초모듈러 곡률 γ와 부분모듈러 곡률 c가 탐욕 알고리즘의 성능에 어떤 영향을 미치는가?
• RQ3 제약이 위반될 때도 쌍기준 보장을 제공하도록 탐욕 접근법을 확장할 수 있는가, 그리고 이 경계는 얼마나 촘촘한가?
• RQ4 제안된 방법으로 이중 문제(부분모듈러 제약 하의 초모듈러 함수 최소화)를 어떻게 다룰 수 있는가?
• RQ5 현실적인 시뮬레이션(예: LLM 토론 에이전트)의 실험 결과가 이론적 보장과 제안 방법의 경쟁력을 뒷받침하는가?

주요 결과

• Greedy Ratio-Marginal 알고리즘은 쌍기준 보장을 달성한다: 첫 번째 초과 후에, f(S_k) ≥ (1−e^{−(1−γ)}) f(S*) 또는 곡률이 알려진 경우에는 경계가 그에 따라 개선된다.
• 초과는 β ≤ (2−γ)/(1−γ)로 한정되며, 상수 인자 근사를 유지하면서 구체적인 예산 위반을 초과한 것이다.
• 부분모듈러 목적이 곡률 c를 가지면 경계가 c와 γ에 의존하는 더 촘촘한 표현으로 개선된다.
• 저자들은 탐욕 상계의 예외성(타이트성)을 증명하여 근사가 1−e^{−(1−γ)}에 근접하는 사례가 존재함을 보인다.
• 이중성 결과는 이진 탐색 기반 축소가 원래 문제의 쌍기준 보장을 이중 문제의 쌍기준 보장으로 변환할 수 있음을 보여준다.

Figure 2 . Instance of max cover with supermodular cost.