[논문 리뷰] Weakly Submodular Functions

Allan Borodin, Dai Le외 1명|arXiv (Cornell University)|2014. 01. 26.

Complexity and Algorithms in Graphs참고 문헌 10인용 수 10

한 줄 요약

이 논문은 약한 하위모듈라 함수를 도입하며, 이는 단조 하위모듈라 함수의 일반화로, 일부 경미한 초하위모듈라 함수를 포함한다. 표준 그레디언트 알고리즘은 카디널리티 제약 조건에서 약 5.95의 상수 근사 비율을 달성하며, 일반 매트로이드 제약 조건에서는 국소 탐색 알고리즘이 약 10.22의 상수 근사 비율을 달성한다. 이는 이러한 알고리즘의 적용 가능 범위를 전통적인 하위모듈라 함수를 초월하여 확장한다.

ABSTRACT

Submodular functions are well-studied in combinatorial optimization, game theory and economics. The natural diminishing returns property makes them suitable for many applications. We study an extension of monotone submodular functions, which we call {\em weakly submodular functions}. Our extension includes some (mildly) supermodular functions. We show that several natural functions belong to this class and relate our class to some other recent submodular function extensions. We consider the optimization problem of maximizing a weakly submodular function subject to uniform and general matroid constraints. For a uniform matroid constraint, the "standard greedy algorithm" achieves a constant approximation ratio where the constant (experimentally) converges to 5.95 as the cardinality constraint increases. For a general matroid constraint, a simple local search algorithm achieves a constant approximation ratio where the constant (analytically) converges to 10.22 as the rank of the matroid increases.

연구 동기 및 목표

• 표준 하위모듈라 함수를 초월하여 효율적인 근사 알고리즘을 적용할 수 있는 함수의 범위를 확장하기 위해.
• 알고리즘적 처리 가능성 유지가 가능한 더 넓은 범주인 약한 하위모듈라 함수를 식별하고 체계화하기 위해.
• 카디널리티 제약 조건과 매트로이드 제약 조건 하에서 단조 약한 하위모듈라 함수를 최대화하는 데 있어 상수 요율 근사 보장을 수립하기 위해.
• 초하위모듈라일 수 있는 자연스러운 함수들, 예를 들어 최대-합 산산이 흩어짐(most-sum dispersion)과 같은 함수들이 이 클래스에 속한다는 것을 보여주기 위해.
• 약한 하위모듈라성의 이론적 및 알고리즘적 영향을 최적화 문제에서 탐색하기 위해.

제안 방법

• 카디널리티 정규화된 부등식을 사용한 새로운 약한 하위모듈라성 정의를 제안: |$|T|f(S) + |S|f(T) \geq |S \cap T|f(S \cup T) + |S \cup T|f(S \cap T)$|.
• 균일 매트로이드(카디널리티) 제약 조건에 대해 표준 그레디언트 알고리즘을 적용하고, 카디널리티가 증가함에 따라 근사 비율이 약 5.95로 수렴함을 증명한다.
• 일반 매트로이드 제약 조건에 대해 국소 탐색 알고리즘을 사용하고, 매트로이드의 랭크가 증가함에 따라 근사 비율이 약 10.22로 수렴함을 증명한다.
• 연속적 근사화와 유도된 함수 $g(x,r)$의 미적분 기반 최적화를 통해 근사 한계를 분석한다.
• 함수 $g(x,r)$의 편미분과 경계 분석을 통한 이론적 수렴을 통해 근사 비율의 수렴을 확립한다.
• 기존 확장 기법인 초하위모듈라 정도와 $k$-wise 의존성과의 관계를 분석하여, 일부 이전 클래스와는 비교 불가능함을 보여준다.

실험 결과

연구 질문

• RQ1 그레디언트 및 국소 탐색 알고리즘이 표준 하위모듈라 함수를 초월하는 더 넓은 범주에서 상수 요율 근사 가능성을 갖는가?
• RQ2 카디널리티 제약 조건과 매트로이드 제약 조건 하에서 단조 약한 하위모듈라 함수를 최대화할 때 얻을 수 있는 최고의 근사 비율은 무엇인가?
• RQ3 약한 하위모듈라성은 초하위모듈라 정도나 $k$-wise 의존성과 같은 다른 함수 확장과 어떻게 관련이 있는가?
• RQ4 최대-합 산산이 흩어짐과 같이 비하위모듈라일 수 있는 자연스러운 함수들—예를 들어—약한 하위모듈라 클래스에 속하는가?
• RQ5 그레디언트 및 국소 탐색 알고리즘의 근사 한계는 배낭 제약 조건과 같은 다른 제약 조건으로 더욱 강화되거나 일반화될 수 있는가?

주요 결과

• 그레디언트 알고리즘은 실험적으로 카디널리티 제약 조건 $p$가 증가함에 따라 $\alpha(p)$의 근사 비율을 달성하며, 이는 약 5.95로 수렴한다.
• 국소 탐색 알고리즘은 매트로이드의 랭크 $s$가 증가함에 따라 $\rho(s)$의 근사 비율을 분석적으로 달성하며, 이는 약 10.22로 수렴한다.
• 근사 비율을 제한하는 데 사용된 함수 $g(x,r)$는 $x=2.25, r=1$에서 최댓값 14.5를 보이지만, 가장 날카로운 한계는 $x=e, r=1$에서 10.22이다.
• 약한 하위모듈라 함수의 클래스는 모든 단조 하위모듈라 함수와 일부 초하위모듈라 함수를 포함하며, 최대-합 산산이 흩어짐 측정법과 같은 함수도 포함된다.
• 약한 하위모듈라 함수는 작은 초하위모듈라 정도를 가진 함수들과 $k$-wise 의존성 함수들과는 비교 불가능하다.
• 분석 결과, 그레디언트 알고리즘의 근사 비율은 아래에서 수렴하고 국소 탐색 알고리즘의 근사 비율은 위에서 수렴함을 확인하여, 이론적 최적성에 대한 근거를 제공한다.