[논문 리뷰] Submodular Order Functions and Assortment Optimization

Rajan Udwani|arXiv (Cornell University)|2021. 07. 06.

Complexity and Algorithms in Graphs인용 수 7

한 줄 요약

이 논문은 기저 집합의 특정 순열에 따라 제한된 형태의 하위모듈라리티를 보이는 단조성, 하위덧셈성 집합 함수인 하위모듈라 순서 함수를 도입한다. 카디널리티 제약 최적화에 대해 O(n/ϵ log n) 쿼리 복잡도를 가지며 0.5−ϵ 근사 알고리즘을 제안하며, 다항수 쿼리 하에서 0.5가 거의 최고의 보장을 갖는다는 것을 증명하고, 이는 예산 및 매트로이드 제약으로 확장되어 MNL 및 마르코프 선택 모델 하에서 제약 조건이 있는 어셈블리 최적화에 대해 처음으로 일정 요소 근사치를 가능하게 한다.

ABSTRACT

We define a new class of set functions that in addition to being monotone and subadditive, also admit a very limited form of submodularity defined over a permutation of the ground set. We refer to this permutation as a submodular order. This class of functions includes monotone submodular functions as a sub-family. We give fast algorithms with strong approximation guarantees for maximizing submodular order functions under a variety of constraints and show a nearly tight upper bound on the highest approximation guarantee achievable by algorithms with polynomial query complexity. Applying this new notion to the problem of constrained assortment optimization in fundamental choice models, we obtain new algorithms that are both faster and have stronger approximation guarantees (in some cases, first algorithm with constant factor guarantee). We also show an intriguing connection to the maximization of monotone submodular functions in the streaming model, where we recover best known approximation guarantees as a corollary of our results.

연구 동기 및 목표

• 표준 쿼리 모델 하에서 하위모듈라리티가 성립하지 않을 때, 카디널리티 제약 조건 하에서 단조성 하위덧셈 함수의 최대화가 비결정성 문제임을 다루기 위해.
• 하위모듈라 함수를 일반화하고 효율적인 근사 알고리즘을 가능하게 하는 새로운 구조적 클래스인 하위모듈라 순서 함수를 제안하기 위해.
• 일반적인 선택 모델(예: MNL 및 마르코프 모델) 하에서 제약 조건이 있는 어셈블리 최적화에 대해 처음으로 일정 요소 근사치 보장을 제공하기 위해.
• 쿼리 복잡도의 날카로운 경계를 설정하여, 다항수 쿼리 하에서 카디널리티 제약 최적화에 대해 0.5가 가능한 최고의 근사 비율임을 증명하기 위해.
• 하위모듈라 순서 함수와 스트리밍 하위모듈라 최적화 문제 간의 관계를 탐색하고, 기존 결과들을 근사 결과의 따름정리로 복원하기 위해.

제안 방법

• 하위모듈라 순서를, 집합 A에 대해 오른쪽에 있는 원소를 추가할 때, A의 마진 간접 이득이 A의 임의의 부분집합 B⊆A에 비해 더 크지 않도록 하는 순열 π로 정의한다.
• 마진 간접 이득을 기반으로 현재 해에 원소를 반복적으로 추가하는 그레디 스타일 알고리즘을 제안하며, 하위모듈라 순서의 구조를 활용해 근사 보장을 보장한다.
• 확률적 추론과 농도 불등식(예: 일반화된 체르노프 불등식)을 사용하여, 랜덤 알고리즘에서 고가치 쿼리를 놓칠 가능성을 분석한다.
• 다항수 쿼리 알고리즘이 0.5보다 나은 근사치를 달성하지 못하는 어려운 인스턴스로의 감소를 통해 경계의 날카로움을 증명하는 경계 결과를 수립한다.
• 선택 모델 목표(예: MNL, 마르코프)가 하위모듈라 순서를 만족함을 보여주어, 어셈블리 최적화에 알고리즘 보장을 가능하게 한다.
• 스트리밍 하위모듈라 최적화와의 연결을 활용하여, 주요 결과의 따름정리로서 기존의 근사 비율을 복원한다.

실험 결과

연구 질문

• RQ1 표준 하위모듈라리티가 성립하지 않을 때, 카디널리티 제약 조건 하에서 단조성 하위덧셈 함수의 최대화에 대해 일정 요소 근사치를 달성할 수 있는가?
• RQ2 카디널리티 제약 최적화에 대해 다항수 쿼리 알고리즘이 달성할 수 있는 최고의 근사 비율은 무엇인가?
• RQ3 일반적인 선택 모델(예: MNL 및 마르코프 모델) 하에서 제약 조건이 있는 어셈블리 최적화에 대해 하위모듈라 순서 구조를 활용하여 처음으로 일정 요소 보장을 달성할 수 있는가?
• RQ4 하위모듈라 순서 구조는 기존의 스트리밍 최적화 문제와 어떻게 관련되어 있으며, 이를 통해 기존 결과를 복원할 수 있는가?
• RQ5 오직 값 쿼리만을 사용하여 함수의 하위모듈라 순서를 식별할 수 있으며, 이는 사전 지식 없이도 더 나은 근사치를 가능하게 하는가?

주요 결과

• 하위모듈라 순서 함수의 카디널리티 제약 최적화에 대해 O(n/ϵ log n) 쿼리 복잡도를 가지며 0.5−ϵ 근사 알고리즘이 가능하다.
• 0.5 근사 비율은 본질적으로 날카로움: 어떤 ϵ>0에 대해서도 다항수 쿼리 알고리즘이 0.5+ϵ보다 나은 근사치를 달성할 수 없다.
• 예산 제약 최적화의 경우 O(n^{1/ϵ}) 쿼리 복잡도로 0.5−ϵ 근사를 달성하며, 거의 선형 쿼리 복잡도로 1/3−ϵ 근사를 확보한다.
• 매트로이드 제약 최적화의 경우 O(nd) 쿼리 복잡도로 0.25 근사를 달성한다. 여기서 d는 매트로이드 랭크이다.
• MNL 및 마르코프 선택 모델의 어셈블리 최적화 목표 함수가 하위모듈라 순서와 호환됨을 입증하여, 제약 조건 하에서 처음으로 일정 요소 보장을 가능하게 한다.
• 이 프레임워크는 스트리밍 하위모듈라 최적화에 대한 기존 근사 보장을 따름정리로서 복원하여, 하위모듈라 순서와 스트리밍 알고리즘 간의 깊은 연결성을 보여준다.