[论文解读] A Nearly-linear Time Algorithm for Submodular Maximization with a Knapsack Constraint

Alina Ene, Huy L. Nguyên|arXiv (Cornell University)|Sep 27, 2017

Complexity and Algorithms in Graphs被引用 29

一句话总结

本文提出了一种近乎线性时间的算法，用于在背包约束下进行单调子模最大化，实现了 $1-1/e - \epsilon$ 的近似比。通过仅维护常数个分数变量，该方法避开了基于多线性扩展评估的 $\Omega(n^2)$ 性能瓶颈，实现了 $O((1/\epsilon)^{O(1/\epsilon^4)} n \log^2 n)$ 次算术运算和函数评估。

ABSTRACT

We consider the problem of maximizing a monotone submodular function subject to a knapsack constraint. Our main contribution is an algorithm that achieves a nearly-optimal, $1 - 1/e - \\epsilon$ approximation, using $(1/\\epsilon)^{O(1/\\epsilon^4)} n \\log^2{n}$ function evaluations and arithmetic operations. Our algorithm is impractical but theoretically interesting, since it overcomes a fundamental running time bottleneck of the multilinear extension relaxation framework. This is the main approach for obtaining nearly-optimal approximation guarantees for important classes of constraints but it leads to $\\Omega(n^2)$ running times, since evaluating the multilinear extension is expensive. Our algorithm maintains a fractional solution with only a constant number of entries that are strictly fractional, which allows us to overcome this obstacle.

研究动机与目标

• 克服基于多线性扩展的子模最大化算法中固有的 $\Omega(n^2)$ 运行时间瓶颈。
• 设计一种近乎线性时间的算法，实现对单调子模函数在背包约束下的近乎最优 $1-1/e - \epsilon$ 近似。
• 仅保持常数个严格分数条目，从而实现对多线性扩展的精确且高效的评估。
• 解决先前算法中的技术缺陷，例如对大物品数量的错误假设，以及在重叠物品-部分分配下的错误舍入过程。

提出的方法

• 该算法采用多线性扩展松弛框架，但确保任意时刻仅存在常数个分数变量，从而大幅降低评估成本。
• 它维护一个不变量：分数质量按非递增成本顺序分配给 $\mathrm{OPT}$ 中的元素，确保在各次迭代中保持结构保证。
• 其舍入过程动态调整最多两个高成本元素之间的分数值，确保每次更新后不变量仍被保持。
• 根据边际价值和成本阈值，将物品划分为大件和小件，其中大件物品被枚举，小件物品通过贪心打包处理。
• 该算法利用 $\mathrm{OPT}$ 的贪心排序以识别高价值物品，并使用边际增益-成本密度来打包剩余物品。
• 通过以保持不变量的方式重新分配分数质量并更新分配，确保了正确性。

实验结果

研究问题

• RQ1 能否设计一种近乎线性时间的算法，在背包约束下实现对单调子模最大化问题的 $1-1/e - \epsilon$ 近似？
• RQ2 当分数变量数量被限制为常数时，如何克服多线性扩展评估的性能瓶颈？
• RQ3 在舍入过程中，可以维持哪些结构不变量，以确保近似保证的同时最小化函数评估次数？
• RQ4 如何在设计中修正先前算法的技术缺陷，例如对大件物品集合大小的错误假设？
• RQ5 能否设计一种舍入过程，避免在划分拟阵设置下对属于多个部分的物品产生重复计数？

主要发现

• 该算法在背包约束下实现了对单调子模最大化问题的 $1-1/e - \epsilon$ 近似比。
• 运行时间被限制在 $(1/\epsilon)^{O(1/\epsilon^4)} n \log^2 n$ 次算术运算和函数评估内，实现了近乎线性时间复杂度。
• 通过将分数变量数量限制为常数，该算法使得每次调用下多线性扩展的精确评估可在常数时间内完成。
• 该方法解决了先前工作中已知的技术问题，例如对大件物品集合大小的错误假设，以及在重叠物品-部分分配下的错误舍入过程。
• 在所有舍入步骤中，分数质量按非递增成本顺序分配给 $\mathrm{OPT}$ 元素的不变量被成功保持，确保了正确性。
• 分析表明，$f(\mathrm{OPT}_1 \cup \mathrm{OPT}'_2) \geq (1 - \epsilon)f(\mathrm{OPT})$，其中 $\mathrm{OPT}'_2$ 包含 $\mathrm{OPT}_2$ 中的低成本物品，从而为贪心打包策略提供了理论依据。