[논문 리뷰] Maximizing a Monotone Submodular Function with a Bounded Curvature under a Knapsack Constraint

Yuichi Yoshida|arXiv (Cornell University)|2016. 07. 15.

Complexity and Algorithms in Graphs참고 문헌 13인용 수 5

한 줄 요약

이 논문은 단조성 하강하는 부분함수에 대해 나이스백 제약 조건 하에서 다항 시간 알고리즘을 제안하며, 이는 $1 - c/e - \epsilon$의 근사 비율을 달성한다. 여기서 $c$는 함수의 총 곡률이다. 이 방법은 곡률 인식 연속적 그린디 방법과 함수 분해를 결합하여, 곡률이 낮을 경우 고전적 $1 - 1/e$ 경계를 초월하는 더 탴한 보장을 제공한다.

ABSTRACT

We consider the problem of maximizing a monotone submodular function under a knapsack constraint. We show that, for any fixed $ε> 0$, there exists a polynomial-time algorithm with an approximation ratio $1-c/e-ε$, where $c \in [0,1]$ is the (total) curvature of the input function. This approximation ratio is tight up to $ε$ for any $c \in [0,1]$. To the best of our knowledge, this is the first result for a knapsack constraint that incorporates the curvature to obtain an approximation ratio better than $1-1/e$, which is tight for general submodular functions. As an application of our result, we present a polynomial-time algorithm for the budget allocation problem with an improved approximation ratio.

연구 동기 및 목표

• 단조성 하강하는 부분함수에 대해 나이스백 제약 조건 하에서 다항 시간 알고리즘을 개발하고, 개선된 근사 보장을 달성한다.
• 부분함수의 곡률 $c_f$를 근사 비율에 통합하여, 표준 $1 - 1/e$ 경계를 초월하는 더 나은 성능을 달성한다.
• 기존의 카디널리티 및 매트로이드 제약 조건에 대한 곡률 기반 근사 결과를 더 일반적인 나이스백 제약 조건으로 확장한다.
• 실세계 문제인 예산 배분 문제에 알고리즘을 적용하며, 이 경우 곡률이 자연스럽게 낮다.

제안 방법

• 입력된 단조성 하강 부분함수 $f$를 부분함수 $g$와 선형함수 $\ell$로 분해하여 $f = g + \ell$로 표현하며, 곡률 인식 성질을 활용한다.
• 나이스백 제약 조건 하에서의 탈중립성 유지와 동시에 $g$와 $\ell$을 최적화하기 위해 연속적 그린디 알고리즘의 변종을 사용한다.
• 곡률에 의존하는 분석을 적용하여, $g$에 대해 $(1 - 1/e)$-근사와 $\ell$에 대해 전부 가치를 달성할 경우, $f$에 대해 $1 - c_f/e - \epsilon$-근사가 성립함을 보인다.
• 연속적 해를 이산 집합 $S$로 변환하기 위해 샘플링 기반 라운딩 기법을 도입하며, $w(S) \leq 1$이고 기대값 $\mathop{\mathbf{E}}[f(S)] \geq (1 - c_f/e - \epsilon)f(O)$를 확보한다.
• 지정된 $n$의 기저 집합 크기와 $1/\epsilon$에 대해 다항식적 의존성과 로그의 다항식적 요소를 포함하여 실행 시간을 근사한다.

실험 결과

연구 질문

• RQ1 단조성 하강 부분함수의 곡률을 활용하여 나이스백 제약 조건 하에서 $1 - 1/e$를 초월하는 더 나은 근사 비율을 달성할 수 있는가?
• RQ2 곡률이 알려져 있을 때, 나이스백 제약 조건 하에서 근사 비율 $1 - c_f/e$가 여전히 타당한가?
• RQ3 카디널리티 및 매트로이드 제약 조건에 대한 곡률 인식 알고리즘을 더 일반적인 나이스백 환경으로 확장할 수 있는가?
• RQ4 곡률이 작을 경우 예산 배분 문제에 대해 $1-1/e$를 초월하는 근사가 가능한가?

주요 결과

• 제안된 알고리즘은 임의의 $\epsilon > 0$에 대해 $1 - c_f/e - \epsilon$의 근사 비율을 달성하며, 모든 $c_f \in [0,1]$에 대해 $\epsilon$ 이내로 타당하다.
• 실행 시간은 $O\left(n^5 + n^4 \cdot \mathrm{polylog}(n) \cdot \left(\frac{1}{\epsilon}\right)^{\mathrm{poly}(1/\epsilon)}\right)$이며, $n$과 $1/\epsilon$에 대해 다항식적이다.
• 곡률 기반 근사 비율 $1 - c_f/e$는 $c_f > 0$일 경우 $1 - 1/e$보다 엄밀히 더 우수하며, 매트로이드 제약 문제에서 알려진 하한값과 일치한다.
• 예산 배분 문제의 경우 곡률 $c_f$는 $1 - \min_{a,b} p(a)^{c(a)-1} \prod_{a' \in \Gamma(b) \setminus \{a\}} p(a')^{c(a')}$로 유계이며, 확률과 용량이 작을 경우 개선된 근사를 가능하게 한다.
• 함수 곡률이 1에서 멀리 떨어져 있을 경우, 이 알고리즘은 나이스백 제약 조건 하에서 부분함수 최대화에 대한 고전적 $1 - 1/e$-근사 보다 향상된 성능을 달성한다.