[논문 리뷰] Streaming Algorithms for Submodular Function Maximization

Chandra Chekuri, Shalmoli Gupta외 1명|arXiv (Cornell University)|2015. 04. 29.

Complexity and Algorithms in Graphs참고 문헌 1인용 수 18

한 줄 요약

이 논문은 p-매치로이드 제약 조건 하에서 비단조닉 서브모듈러 함수의 최대화를 위한 스트리밍 알고리즘을 제안하며, 공간 효율적인 근사치를 제공하는 새로운 반복적 그레디 프레임워크를 사용한다. $O(k\log k)$ 공간을 사용하여 $\Omega(1/p)$-근사치를 달성하며, 독립 집합 문제에 대한 오프라인 알고리즘과 조합할 경우 더 향상된 경계를 확보한다.

ABSTRACT

We consider the problem of maximizing a nonnegative submodular set function $f:2^{\mathcal{N}} ightarrow \mathbb{R}^+$ subject to a $p$-matchoid constraint in the single-pass streaming setting. Previous work in this context has considered streaming algorithms for modular functions and monotone submodular functions. The main result is for submodular functions that are {\em non-monotone}. We describe deterministic and randomized algorithms that obtain a $Ω(\frac{1}{p})$-approximation using $O(k \log k)$-space, where $k$ is an upper bound on the cardinality of the desired set. The model assumes value oracle access to $f$ and membership oracles for the matroids defining the $p$-matchoid constraint.

연구 동기 및 목표

• 제한된 메모리 환경에서 단일 패assing 스트리밍 모델에서 비단조닉 서브모듈러 함수의 최대화 문제에 도전한다.
• p-매치로이드 제약 조건 하에서 일정한 근사 비율을 유지하는 공간 효율적인 알고리즘을 설계하며, 기수 제약과 매트로이드 제약 조건을 일반화한다.
• 이전 연구가 단조닉 서브모듈러 함수에만 집중한 점을 극복하기 위해, 비단조닉 케이스를 위한 프레임워크를 도입한다.
• 비단조닉 서브모듈러 최대화 문제에 대해 $O(k\log k)$ 공간과 $\Omega(1/p)$-근사치를 확보하는 결정적 및 랜덤화된 스트리밍 알고리즘을 달성한다.
• 오프라인 알고리즘을 블랙박스로 통합하여 근사 보장을 향상시키며, 특히 오프라인 알고리즘이 알려진 근사 비율 $\gamma_p$을 가질 경우에 유리하다.

제안 방법

• 전체 스트림에 대해 매개변수 $\alpha$와 $\beta$를 사용해 Streaming-Greedy를 실행한 후, 기각된 요소에 대해 다시 실행하는 두 번의 패assing 스트리밍 알고리즘인 Iterated-Streaming-Greedy를 제안한다.
• 서브모듈러 함수 $f$에 대한 값 오라클과 p-매치로이드 제약 조건에 대한 멤버십 오라클을 사용하며, 해의 크기 상한 $k$를 제공한다.
• 매개변수 $\alpha$와 $\beta$를 가진 랜덤화된 스트리밍 그레디 알고리즘(Streaming-Greedy)을 적용하여 집합 $S_1$를 선택하고, 기각된 요소를 $U_1$에 추적한다.
• 기각된 요소가 손실되지 않도록 $\mathcal{N} \setminus U_1$에 대해 $\alpha = 0$으로 설정한 Streaming-Greedy의 두 번째 인스턴스를 실행하여 $S_2$를 확보한다.
• 기각된 요소 집합 $U_1$에 대해 오프라인 알고리즘을 적용하여 $S_3$를 계산하며, $|U_1| \leq \mathrm{OPT}/\alpha$라는 사실을 활용해 입력 크기를 작게 유지한다.
• 최종 해로 $S_1$, $S_2$, $S_3$ 중 최고의 것을 반환하며, 서브모듈러성과 농도 집중 경계를 통해 이론적 보장을 도출한다.

실험 결과

연구 질문

• RQ1 p-매치로이드 제약 조건 하에서 비단조닉 서브모듈러 함수 최대화 문제에 대해 일정한 근사 비율을 확보하는 스트리밍 알고리즘을 설계할 수 있는가?
• RQ2 제한된 메모리 환경에서 단일 패assing 스트리밍 모델에서 비단조닉 서브모듈러 함수의 비단조닉성을 효율적으로 다룰 수 있는가?
• RQ3 일반적인 p-매치로이드 제약 조건 하에서 스트리밍 서브모듈러 최대화 문제에서 공간 사용량과 근사 비율 사이의 상호 교환 관계는 무엇인가?
• RQ4 기각된 요소에 대한 스트리밍 그레디 알고리즘과 오프라인 최적화를 조합하여 근사 보장을 향상시킬 수 있는가?
• RQ5 스트리밍 프레임워크에서 근사 품질과 공간 효율성을 균형 잡기 위해 매개변수 $\alpha$와 $\beta$의 최적 선택은 무엇인가?

주요 결과

• 제안된 알고리즘은 $O(k\log k)$ 공간을 사용하여 p-매치로이드 제약 조건 하에서 비단조닉 서브모듈러 최대화 문제에 대해 $\Omega(1/p)$-근사치를 달성한다.
• 오프라인 알고리즘이 근사 비율 $\gamma_p$를 가진다면, 전체 기대 근사 비율은 임의의 $\epsilon > 0$에 대해 $\left(8p + \frac{1}{\gamma_p}\right)^{-1}(1 - \epsilon)\mathrm{OPT}$ 이상이다.
• 알고리즘은 $O\left(\frac{k\log k}{\epsilon}\right)$ 공간을 사용하며, 스트리밍 환경에서 효율적이고 거의 최적이다.
• 오프라인 알고리즘이 결정적이라면 프레임워크도 결정적이며, 이 경우 기대값 없이도 근사 보장이 유지된다.
• 기각된 요소 집합의 크기가 $\mathrm{OPT}/\alpha$를 초과할 경우 조기 종료를 통해 매개변수 추측을 효율적으로 수행할 수 있어 실용적 구현이 가능하다.
• 분석은 서브모듈러성과 경계 이득의 성질에 기반하며, 핵심 부등식은 서브모듈러성과 p-매치로이드의 구조에서 유도된다.