[논문 리뷰] Submodular Secretary Problems: Cardinality, Matching, and Linear Constraints

Thomas Keßelheim, Andreas Tönnis|arXiv (Cornell University)|2016. 07. 29.

Optimization and Search Problems인용 수 11

한 줄 요약

이 논문은 순서가 정해진 하위모듈라 서비스터 문제에 대해 카디널리티, 매칭, 선형 포장 제약 조건을 갖는 새로운 온라인 알고리즘을 제안하며, 오프라인 근사 알고리즘을 활용하여 점점 더 $\alpha/e$에 수렴하는 경쟁 비율을 달성한다. 이는 오프라인 해를 동적으로 활용하여 온라인 결정을 이끄는 재귀적이고 임계값 기반의 선택 전략을 도입함으로써, 불확실성 하에서 하위모듈라 최대화의 이전 결과를 크게 향상시킨다.

ABSTRACT

We study various generalizations of the secretary problem with submodular objective functions. Generally, a set of requests is revealed step-by-step to an algorithm in random order. For each request, one option has to be selected so as to maximize a monotone submodular function while ensuring feasibility. For our results, we assume that we are given an offline algorithm computing an $α$-approximation for the respective problem. This way, we separate computational limitations from the ones due to the online nature. When only focusing on the online aspect, we can assume $α= 1$. In the submodular secretary problem, feasibility constraints are cardinality constraints. That is, out of a randomly ordered stream of entities, one has to select a subset size $k$. For this problem, we present a $0.31α$-competitive algorithm for all $k$, which asymptotically reaches competitive ratio $\fracα{e}$ for large $k$. In submodular secretary matching, one side of a bipartite graph is revealed online. Upon arrival, each node has to be matched permanently to an offline node or discarded irrevocably. We give an $\fracα{4}$-competitive algorithm. In both cases, we improve over previously best known competitive ratios, using a generalization of the algorithm for the classic secretary problem. Furthermore, we give an $O(αd^{-\frac{2}{B-1}})$-competitive algorithm for submodular function maximization subject to linear packing constraints. Here, $d$ is the column sparsity, that is the maximal number of none-zero entries in a column of the constraint matrix, and $B$ is the minimal capacity of the constraints. Notably, this bound is independent of the total number of constraints. We improve the algorithm to be $O(αd^{-\frac{1}{B-1}})$-competitive if both $d$ and $B$ are known to the algorithm beforehand.

연구 동기 및 목표

• 항목이 도착할 때마다 되돌릴 수 없는 결정을 내야 하는 타당성 제약 조건 하에서 온라인 하위모듈라 최대화 문제를 다루기.
• 오프라인 알고리즘의 $\alpha$-근사치에 접근 가능하다는 가정 하에 계산 제약 조건과 온라인 결정 비용을 분리하기.
• 기본 서비스터 문제를 매트로이드 및 선형 포장 제약 조건을 갖는 하위모듈라 목표 함수로 일반화하기.
• 재귀적 분석과 적응형 임계값을 사용하여 이전 작업을 초월해 하위모듈라 서비스터 문제의 경쟁 비율을 향상시키기.

제안 방법

• 첫 $n/e$개의 항목을 기각한 후, 이후 각 항목에 대해 이미 본 항목들의 오프라인 해에 포함되는지 확인한다.
• 오프라인 알고리즘의 근사 보장 $\alpha$에 의존하여 선택된 집합의 기대값을 분석하기 위해 재귀적 기대값 경계를 사용한다.
• 선형 포장 제약 조건의 경우, 열 밀도 $d$와 최소 용량 $B$ 하에서 일시적 할당의 타당성을 확보하기 위해 체르노프 경계를 적용한다.
• 각 결정 단계의 기대 수익을 포함하는 재귀 관계를 해결하여 경쟁 비율을 유도한다.
• 현재 해의 상태와 오프라인 근사의 품질에 따라 선택 기준을 동적으로 조정한다.
• 오프라인 해를 결정 오ракูล로 사용하여 고전적 서비스터 알고리즘의 임계값 기반 접근 방식을 하위모듈라 함수로 일반화한다.

실험 결과

연구 질문

• RQ1 카디널리티 제약 조건을 갖는 하위모듈라 서비스터 문제에 대해 단순한 재귀적 온라인 알고리즘을 사용해 $\alpha/e$에 수렴하는 경쟁 비율을 달성할 수 있는가?
• RQ2 이중 그래프에서 한 쪽이 온라인으로 도착할 때 하위모듈라 서비스터 매칭의 경쟁 비율은 얼마가 되는가?
• RQ3 선형 포장 제약 조건 하에서 하위모듈라 최대화의 경쟁 비율에 열 밀도 $d$와 최소 용량 $B$는 어떤 영향을 미치는가?
• RQ4 오프라인에 $\alpha$-근사치 알고리즘이 존재한다고 가정할 때, 온라인 하위모듈라 알고리즘의 성능을 계산 복잡성과 분리할 수 있는가?
• RQ5 재귀적 기대값 분석을 통해 여러 하위모듈라 서비스터 변종의 경쟁 비율을 향상시키는 일반적 프레임워크가 존재하는가?

주요 결과

• 논문은 카디널리티 제약 조건을 갖는 하위모듈라 서비스터 문제에 대해 $0.31\alpha$-경쟁 알고리즘을 제시하며, 이는 이전 결과를 향상시킨다.
• 큰 $k$에 대해 경쟁 비율은 점점 더 $\alpha/e$에 수렴하며, 이는 고전적 서비스터 문제의 최고 알려진 경계와 일치한다.
• 하위모듈라 서비스터 매칭에 대해 $\alpha/4$-경쟁 알고리즘을 달성하였으며, 이는 트랜스버설 매트로이드 제약 조건을 포함한다.
• 선형 포장 제약 조건 하에서 알고리즘은 $O(\alpha d^{-2/(B-1)})$-경쟁성을 달성하며, 제약 조건의 수에 관계없이 독립적이다.
• 만약 $d$와 $B$가 사전에 알려져 있다면 경쟁 비율은 $O(\alpha d^{-1/(B-1)})$로 향상되며, 이는 구조적 파라미터에 대한 더 나은 의존성을 보여준다.
• 재귀적 분석 프레임워크는 오프라인 해의 품질과 확률적 타당성에 기반한 기대 수익의 표현을 통해 날카로운 경계를 제공한다.