[논문 리뷰] The Guided Team-Partitioning Problem: Definition, Complexity, and Algorithm

Sanaz Bahargam, Theodoros Lappas외 1명|arXiv (Cornell University)|2019. 04. 30.

Mobile Crowdsensing and Crowdsourcing인용 수 4

한 줄 요약

이 논문은 인구를 상호배타적인 팀으로 분할하여 각 팀의 중심점이 주어진 목표 벡터에 가능한 한 가까워지도록 하는 가이드드 팀-분할(Guided Team-Partitioning, GTP) 문제를 제안한다. 이는 통제 가능하고 공정한 팀 편성 가능성을 제공한다. 저자들은 GTP가 NP-난해임을 증명하고, 실제 및 시뮬레이션 데이터셋에서 기준 대비 해법 품질과 실행 시간 모두에서 뛰어난 성능을 보이는 효율적인 휴리스틱 알고리즘을 제안한다.

ABSTRACT

A long line of literature has focused on the problem of selecting a team of individuals from a large pool of candidates, such that certain constraints are respected, and a given objective function is maximized. Even though extant research has successfully considered diverse families of objective functions and constraints, one of the most common limitations is the focus on the single-team paradigm. Despite its well-documented applications in multiple domains, this paradigm is not appropriate when the team-builder needs to partition the entire population into multiple teams. Team-partitioning tasks are very common in an educational setting, in which the teacher has to partition the students in her class into teams for collaborative projects. The task also emerges in the context of organizations, when managers need to partition the workforce into teams with specific properties to tackle relevant projects. In this work, we extend the team formation literature by introducing the Guided Team-Partitioning (GTP) problem, which asks for the partitioning of a population into teams such that the centroid of each team is as close as possible to a given target vector. As we describe in detail in our work, this formulation allows the team-builder to control the composition of the produced teams and has natural applications in practical settings. Algorithms for the GTP need to simultaneously consider the composition of multiple non-overlapping teams that compete for the same population of candidates. This makes the problem considerably more challenging than formulations that focus on the optimization of a single team. In fact, we prove that GTP is NP-hard to solve and even to approximate. The complexity of the problem motivates us to consider efficient algorithmic heuristics, which we evaluate via experiments on both real and synthetic datasets.

연구 동기 및 목표

• 단일 팀 최적화에만 초점을 맞춘 팀 편성 연구의 격차를 메우기 위해, 전체 인구를 다수의 상호배타적인 팀으로 분할하는 데 초점을 맞춘다.
• 팀 중심점이 특정 목표 벡터 쪽으로 유도되어 균형 잡히거나 원하는 팀 구성이 보장되도록 하는 가이드드 팀-분할(GTP) 문제를 정식화한다.
• GTP의 계산 복잡도를 분석하고, 이를 해결하거나 일정 요소 이내로 근사하는 것이 NP-난해함을 증명한다.
• 스케일링이 잘 되고 높은 품질의 해를 생성하는 효율적인 휴리스틱 알고리즘을 설계하고 평가한다.
• 실제 및 시뮬레이션 데이터를 활용한 실험을 통해 GTP의 실용적 유용성을 교육 및 조직적 환경에서 입증한다.

제안 방법

• 팀 중심점과 목표 벡터 간의 제곱 거리 합을 최소화하는 제약 조건이 있는 최적화 문제로 GTP를 수식화한다.
• 중심점 가까움과 팀 규모 제약 조건을 균형 있게 고려하여 개인을 반복적으로 팀에 할당하는 휴리스틱인 GuidedSplit 알고리즘을 제안한다.
• 분할 과정 중에 팀 중심점을 개선하기 위해 볼록 최적화 서브루틴(ConfexOpt)을 사용하여 목표 벡터와의 정렬도 향상시킨다.
• 필요한 경우 클러스터 중심점을 목표 벡터에 할당하기 위해 허긴 알고리즘 기반 매칭 단계를 통합하여 최적의 목표 할당을 보장한다.
• 비교를 위해 반복적 개선과 목표 제약 조건을 사용하는 그리디 변형(BTF_Greedy)과 기준(BTF_CVX)을 설계한다.
• 해법 품질 평가를 위해 중심점-목표 거리와 실행 시간 효율성을 측정하는 실재 및 실제 데이터셋을 사용해 성능을 평가한다.

실험 결과

연구 질문

• RQ1 가이드드 팀-분할 문제는 NP-난해한가? 그리고 일정 요소 이내로 근사 가능할까?
• RQ2 지정된 목표 벡터 쪽으로 팀 구성이 효과적으로 균형을 이루도록 하면서도 계산 효율성을 유지할 수 있는 휴리스틱 알고리즘을 설계할 수 있는가?
• RQ3 제안된 알고리즘은 기존의 클러스터링 및 팀 편성 기준 대비 해법 품질과 실행 시간에서 어떻게 비교되는가?
• RQ4 클러스터 수나 반복마다 제거하는 점의 수와 같은 매개변수들이 알고리즘 성능에 어떤 영향을 미치는가?
• RQ5 어떤 실제 환경에서 가이드드 분할 기법이 표준 클러스터링 또는 팀 편성 방법보다 뚜렷하게 뛰어난 성능을 보이는가?

주요 결과

• GTP 문제의 해법 및 일정 요소 이내 근사가 가능함을 증명하여, 이 문제가 계산적으로 해결 불가능함을 입증한다.
• 제안된 GuidedSplit 알고리즘은 중심점-목표 거리를 최소화하는 데 있어 k-means, k_targets, Random 및 기준 방법보다 뚜렷이 뛰어난 해법 품질을 달성한다.
• 다른 휴리스틱과 유사한 시간 내에 실행되며, 균형 잡힌 클러스터의 경우 인구 수에 대해 비선형적으로 증가하지만, 클러스터 수가 증가함에 따라 점점 더 빠르게 증가한다.
• k_means 기준은 클러스터가 매우 불균형하게 형성됨에 따라 큰 데이터셋에서 높은 실행 시간과 열악한 성능을 보인다. 특히 n = 5000일 경우 두드러진다.
• ℓ = 0일 경우(볼록 최적화 없음), BTF_CVX와 BTF_Greedy는 각각 ConvexOpt 또는 그리디 단계를 반복마다 n번 실행하므로 다른 알고리즘보다 느리다.
• k_targets 기준은 초기 클러스터 형성이 더 균형 잡혀 있어 k_means보다 실행 시간에서 뛰어난 성능을 보인다.