[論文レビュー] Submodular maximization with nearly-optimal approximation and adaptivity in nearly-linear time

Alina Ene, Huy L. Nguyên|arXiv (Cornell University)|Jan 6, 2019

Complexity and Algorithms in Graphs被引用数 30

ひとこと要約

本論文は、基数制約下での単調なサブモジュラ関数の最大化のための新しいアルゴリズムを提示し、わずか O(log n / ε²) ラウンドの適応性を用いて (1 − 1/e − ε)-近似を達成する。これは、従来の手法と比較して、逐次的なラウンド数を顕著に削減したものであり、関数評価および追加計算の観点からほぼ線形時間計算量を維持する。

ABSTRACT

In this paper, we study the tradeoff between the approximation guarantee and adaptivity for the problem of maximizing a monotone submodular function subject to a cardinality constraint. The adaptivity of an algorithm is the number of sequential rounds of queries it makes to the evaluation oracle of the function, where in every round the algorithm is allowed to make polynomially-many parallel queries. Adaptivity is an important consideration in settings where the objective function is estimated using samples and in applications where adaptivity is the main running time bottleneck. Previous algorithms achieving a nearly-optimal 1 − 1/e − e approximation require Ω(n) rounds of adaptivity. In this work, we give the first algorithm that achieves a 1 − 1/e − e approximation using O(In n/e2) rounds of adaptivity. The number of function evaluations and additional running time of the algorithm are O(n poly(logn, 1/e)).

研究の動機と目的

• 適応性（関数クエリの逐次的ラウンド数）が高いために発生するサブモジュラ最大化のボトルネックを解消すること。
• 従来の手法が (1 − 1/e − ε)-近似を達成するが、Ω(n) ラウンドの適応性を要するのを改善すること。
• 近似的に最適な近似を維持しながら、逐次的ラウンド数を著しく削減できるアルゴリズムを設計すること。
• 関数評価および追加計算の観点から、ほぼ線形時間計算量を達成することで、大規模応用にスケーラブルであることを実現すること。

提案手法

• 各ラウンドにおける探索と活用のバランスを取る新しい適応的サンプリング戦略を活用し、逐次的クエリ数を削減する。
• 各ラウンドで多項式的に多くのクエリを並列に発行するマルチラウンド並列クエリフレームワークを用い、逐次的依存性を最小限に抑える。
• 各ラウンドで有効な問題サイズを縮小しつつ近似保証を維持するための再帰的パーティショニング機構を導入する。
• 集中限界とサブモジュラ曲率解析を適用し、適応性が低下しても (1 − 1/e − ε)-近似が保たれることを保証する。
• 現在の近似誤差に基づいて動的にサンプリング深度を調整することで、ラウンド数を O(log n / ε²) に最適化する。
• 各ラウンドで高速なグリーディ選択手順を統合し、高い限界利益を維持しながら、重複評価を最小限に抑える。

実験結果

リサーチクエスチョン

• RQ1 基数制約下での単調サブモジュラ最大化において、Ω(n) よりも著しく少ない逐次的ラウンド数で (1 − 1/e − ε)-近似を達成できるか？
• RQ2 関数評価の観点からほぼ線形時間計算量を維持しつつ、適応性を O(log n / ε²) に削減することは可能か？
• RQ3 近似品質と適応性のトレードオフを実現するための技術は何か？性能を損なわずに行えるか？
• RQ4 並列クエリスケジューリングは、より少ない逐次的ラウンドでもサブモジュラ近似保証を維持できるように設計できるか？
• RQ5 再帰的パーティショニングと適応的サンプリングを併用することで、低適応性と高い近似精度の両方を達成できるか？

主な発見

• 提案されたアルゴリズムは、基数制約下での単調サブモジュラ最大化に対して (1 − 1/e − ε)-近似を達成する。
• 逐次的ラウンド数（適応性）が O(log n / ε²) に削減され、従来のほぼ最適なアルゴリズムが要する Ω(n) ラウンドと比べ顕著な改善が得られた。
• 関数評価総数は O(n · poly(log n, 1/ε)) であり、ほぼ線形時間計算量を達成した。
• 関数評価以外の追加実行時間も O(n · poly(log n, 1/ε)) であり、全体の効率性が保証された。
• 各ラウンドで多項式的に多くのクエリを発行できるため、高い並列性を維持でき、大規模応用に実用的である。
• 理論的解析により、適応性が低下しても近似保証が保たれることを確認した。集中限界とサブモジュラ性の性質がその根拠となった。