[논문 리뷰] Min-Max Correlation Clustering via MultiCut

Saba Ahmadi, Sainyam Galhotra외 3명|arXiv (Cornell University)|2019. 06. 28.

Advanced Clustering Algorithms Research참고 문헌 16인용 수 4

한 줄 요약

이 논문은 최대 각 클러스터당 오류 수를 최소화함으로써 균형 잡힌 클러스터 품질을 보장하는 새로운 클러스터 단위 목표인 min-max 상관관계 클러스터링을 소개한다. 일반 가중치 그래프에 대해 MultiCut 기반 접근 방식을 사용하여, O(√(log n · max{log|E⁻|, log k}))의 근사 비율을 달성하는 최초의 비자명한 근사 알고리즘을 제안한다. K_{r,r}-minor-free 그래프와 완전 그래프에 대해서는 개선된 근사 비율을 확보한다.

ABSTRACT

Correlation clustering is a fundamental combinatorial optimization problem arising in many contexts and applications that has been the subject of dozens of papers in the literature. In this problem we are given a general weighted graph where each edge is labeled positive or negative. The goal is to obtain a partitioning (clustering) of the vertices that minimizes disagreements - weight of negative edges trapped inside a cluster plus positive edges between different clusters. Most of the papers on this topic mainly focus on minimizing total disagreement, a global objective for this problem. In this paper, we study a cluster-wise objective function that asks to minimize the maximum number of disagreements of each cluster, which we call min-max correlation clustering. The min-max objective is a natural objective that respects the quality of every cluster. In this paper, we provide the first nontrivial approximation algorithm for this problem achieving an $\mathcal{O}(\sqrt{\log n\cdot\max\{\log(|E^-|),\log(k)\}})$ approximation for general weighted graphs, where $|E^-|$ denotes the number of negative edges and $k$ is the number of clusters in the optimum solution. To do so, we also obtain a corresponding result for multicut where we wish to find a multicut solution while trying to minimize the total weight of cut edges on every component. The results are then further improved to obtain (i) $\mathcal{O}(r^2)$-approximation for min-max correlation clustering and min-max multicut for graphs that exclude $K_{r,r}$ minors (ii) a 14-approximation for the min-max correlation clustering on complete graphs.

연구 동기 및 목표

• 전통적인 상관관계 클러스터링에서의 공정성 부족 문제를 해결하기 위해 총 오류 수가 아닌 각 클러스터당 최대 오류 수를 최소화함으로써 공정성을 향상시키는 것.
• 모든 클러스터가 서로보다 현저히 열 劣하지 않도록 보장하는 새로운 클러스터 단위의 min-max 목표를 도입함으로써 공정성과 품질 균형을 향상시키는 것.
• 일반 가중치 그래프에서 min-max 상관관계 클러스터링에 대한 최초의 근사 알고리즘을 제공하는 것.
• K_{r,r}-minor-free 그래프와 완전 그래프를 포함한 특수 그래프 클래스로 접근을 확장하여 더 나은 근사 비율을 달성하는 것.
• LP 리 릴랙세이션과 반복적 집합 기반 기법을 활용하여 min-max 목표를 다룰 수 있는 새로운 MultiCut 기반 프레임워크를 개발하는 것.

제안 방법

• 각 컴ponent당 최대 컷 무게를 최소화하는 것을 목표로 하는 min-max 상관관계 클러스터링 문제를 모델링하기 위해 MultiCut 설정을 사용하는 것.
• MultiCut 문제의 선형계획법 리 릴랙세이션에 랜덤화된 라운딩 절차를 적용하여, 제한된 컷 무게와 0의 위반을 가진 다중집합의 부분집합을 생성하는 것.
• 각 부분집합이 목표 컷 무게를 초과하지 않도록 하면서도 위반을 0으로 유지하는 조건을 만족시키는 반복적 집합 통합 알고리즘을 설계하는 것.
• 직교 분리자와 LP 기반 분리자를 사용하여 제어된 컷 무게와 0의 위반을 가진 초기 해를 구성하는 것.
• 특히 K_{r,r}-minor-free 및 완전 그래프에서의 그래프 구조를 활용하여 조합적 분석과 확률적 분석을 통해 개선된 근사 비율을 도출하는 것.
• 각 정점가 충분한 비율의 부분집합에 의해 커버되도록 보장하는 커버링 및 집합 통합 단계를 도입하여, 구성 요소의 균형 잡힌 병합을 가능하게 하는 것.

실험 결과

연구 질문

• RQ1 각 클러스터당 최대 오류 수를 최소화하는 목표를 가진 min-max 상관관계 클러스터링에 대해 비자명한 근사 알고리즘을 설계할 수 있는가?
• RQ2 전통적인 전역 min-sum 목표와 비교할 때, min-max 목표의 근사 가능성은 어떻게 다른가?
• RQ3 K_{r,r}-minor-free 그래프와 같은 특수 그래프 클래스에서 min-max 상관관계 클러스터링에 대해 어떤 근사 보장을 확보할 수 있는가?
• RQ4 MultiCut 프레임워크는 클러스터 단위의 min-max 목표를 지원하도록 적응시킬 수 있으며, 이를 수행하는 데 있어 핵심 알고리즘적 과제는 무엇인가?
• RQ5 LP 기반 라운딩과 반복적 집합 기반 기법을 사용하여 min-max 상관관계 클러스터링에 대해 상수 또는 다항로그 비율 근사 알고리즘을 달성할 수 있는가?

주요 결과

• 일반 가중치 그래프에서 min-max 상관관계 클러스터링에 대해 O(√(log n · max{log|E⁻|, log k}))의 근사 비율을 달성한다.
• K_{r,r}-minor-free 그래프에서는 근사 비율이 O(r²)로 향상되어 희박한 그래프 가족에 있어 상당한 개선을 이룬다.
• 완전 그래프에서는 14-근사 비율을 달성하여 이전의 O(1) 및 O(√n)의 근사 비율보다 향상된다.
• 이 접근 방식은 min-max 다중컷 문제로도 확장되며, 동일한 목표 함수에 대해 동일한 근사 비율을 확보한다.
• 집합 통합 절차는 각 클러스터의 컷 무게가 유한하고 위반이 0임을 보장하며, 기댓값 기반 총 비용이 최적값의 O(√(min(T,n)·Δ) · B) 이내에 머무르게 한다.
• 알고리즘은 각 정점가 일정 비율의 부분집합에 의해 커버됨을 보장하여, min-max 제약 조건을 유지하면서 효과적인 병합을 가능하게 한다.