[论文解读] Constrained Submodular Maximization via a Non-symmetric Technique

Niv Buchbinder, Moran Feldman|arXiv (Cornell University)|Nov 10, 2016

Complexity and Algorithms in Graphs参考文献 37被引用 16

一句话总结

本文提出了一种新颖的非对称算法，用于约束子模最大化，其在优化多线性松弛方面改进了已知的最佳近似保证。通过避免依赖于对称性（这是先前方法的常见特性），该算法在一般约束下对单调子模函数实现了更紧的近似比，尤其通过针对连续轨迹的精细化微分不等式分析，超越了Ene和Nguyen（2016）的界。

ABSTRACT

The study of combinatorial optimization problems with a submodular objective has attracted much attention in recent years. Such problems are important in both theory and practice because their objective functions are very general. Obtaining further improvements for many submodular maximization problems boils down to finding better algorithms for optimizing a relaxation of them known as the multilinear extension. In this work we present an algorithm for optimizing the multilinear relaxation whose guarantee improves over the guarantee of the best previous algorithm (which was given by Ene and Nguyen (2016)). Moreover, our algorithm is based on a new technique which is, arguably, simpler and more natural for the problem at hand. In a nutshell, previous algorithms for this problem rely on symmetry properties which are natural only in the absence of a constraint. Our technique avoids the need to resort to such properties, and thus, seems to be a better fit for constrained problems.

研究动机与目标

• 开发一种更高效且概念更简洁的算法，用于优化约束子模最大化问题的多线性松弛。
• 克服对称技术在存在约束时不够自然的局限性。
• 在一般多面体约束下，改进单调子模函数的近似保证，特别是针对基数约束和背包约束。
• 利用微分不等式框架，对算法的连续轨迹进行更紧密的分析。
• 建立多线性松弛优化的新基准，从而实现更好的下游舍入和整体近似比。

提出的方法

• 该算法使用由微分方程组定义的连续轨迹，随时间演化，基于边际增益更新分数变量。
• 它引入了一种非对称分析技术，避免了对目标函数对称性的假设，使其在约束环境下更具适应性。
• 该方法依赖于从轨迹上多线性扩展演化中导出的微分不等式，以界定向量改进速率。
• 一个关键组成部分是使用Lovász扩展，将多线性函数与水平集和阈值操作联系起来。
• 分析将时间区间划分为两个阶段：[0, t_s) 和 [t_s, 1)，根据最优解的结构和集合Z应用不同的边界。
• 最终保证通过求解带有两个边界条件的微分不等式获得，从而得出最终目标值的闭式下界。

实验结果

研究问题

• RQ1 在约束子模最大化中，非对称方法对多线性松弛优化是否能实现优于对称方法的近似保证？
• RQ2 如何分析多线性扩展的微分演化，以推导出更紧的近似比边界？
• RQ3 避免对称性假设对约束子模最大化算法的设计与分析有何影响？
• RQ4 所提方法能否在一般约束下，对单调子模函数改进(1−1/e)近似保证？
• RQ5 在使用此新框架时，针对背包或基数约束，多线性松弛优化的最紧可达近似比是多少？

主要发现

• 所提算法在多线性松弛优化方面，严格优于Ene和Nguyen（2016）的先前最佳已知算法。
• 关键改进源于一种非对称分析，避免了对对称性的依赖，这在约束条件下是不自然的。
• 该算法保证最终目标值至少为 e^{t_s - 1} · [(2 - t_s - e^{-t_s}) · f(OPT) - (1 - e^{-t_s}) · f(Z ∩ OPT) - (2 - t_s - 2e^{-t_s}) · f(Z ∪ OPT)]，其中 t_s ∈ (0,1)。
• 分析表明，控制轨迹的微分不等式导致的边界比以往对称方法更紧，尤其在存在非平凡约束时。
• 该方法提供了一个统一框架，可通过多线性松弛和竞争化解决方案，应用于各种约束（如背包、拟阵）问题。
• 结果意味着，当与标准舍入技术结合时，可实现Max-Cut、Max-k-Coverage和设施选址等下游问题的改进整体近似比。