[论文解读] A Reduction for Optimizing Lattice Submodular Functions with Diminishing Returns

Alina Ene, Huy L. Nguyên|arXiv (Cornell University)|Jun 27, 2016

Complexity and Algorithms in Graphs参考文献 8被引用 16

一句话总结

本文提出了一种从具有预算约束的DR-子模函数最大化问题到无约束和有约束子模优化问题的通用约化方法。通过使用类似二进制的表示方式对整数预算进行分解，该方法实现了对预算B的对数依赖，从而能够以极低的开销将现有子模算法高效地转化为DR-子模设置，显著提升了运行时间的可扩展性。

ABSTRACT

A function $f: \mathbb{Z}_+^E ightarrow \mathbb{R}_+$ is DR-submodular if it satisfies $f({\bf x} + χ_i) -f ({\bf x}) \ge f({\bf y} + χ_i) - f({\bf y})$ for all ${\bf x}\le {\bf y}, i\in E$. Recently, the problem of maximizing a DR-submodular function $f: \mathbb{Z}_+^E ightarrow \mathbb{R}_+$ subject to a budget constraint $\|{\bf x}\|_1 \leq B$ as well as additional constraints has received significant attention \cite{SKIK14,SY15,MYK15,SY16}. In this note, we give a generic reduction from the DR-submodular setting to the submodular setting. The running time of the reduction and the size of the resulting submodular instance depends only \emph{logarithmically} on $B$. Using this reduction, one can translate the results for unconstrained and constrained submodular maximization to the DR-submodular setting for many types of constraints in a unified manner.

研究动机与目标

• 解决在预算约束下对具有递减回报性质的格子子模函数（DR-子模函数）进行优化的挑战。
• 开发一种通用约化方法，将DR-子模问题映射为标准子模优化问题。
• 实现运行时间与实例规模仅对预算B呈对数依赖，避免因朴素约化导致的多项式依赖。
• 统一现有子模最大化算法（如贪心算法和连续贪心算法）在各种约束下的应用，使其适用于DR-子模设置。
• 为单调和非单调DR-子模函数在基数、背包和拟模约束下提供高效的近似算法。

提出的方法

• 利用二进制分解引理，论文将每个预算 $ B_i $ 分解为 $ O(\log B_i) $ 项，使得任意不超过 $ B_i $ 的整数均可表示为子集和。
• 该约化将每个整数变量 $ x_i \in [0, B_i] $ 映射为一组由分解项索引的二值变量，形成大小为 $ O(\sum_i \log B_i) $ 的新基集 $ E' $。
• 在 $ E' $ 上定义一个新的子模函数 $ g $，使得 $ g({\bf y}) = f({\bf x}) $，其中 $ {\bf x}_i = \sum_j y_{i,j} a_{i,j} $，从而保持原始DR-子模函数 $ f $ 的函数值。
• 通过利用 $ f $ 的递减回报（DR）性质，证明了 $ g $ 的子模性，确保该约化保持了子模结构的保证。
• 对于有约束问题，该方法在约化后的实例上应用已知的子模优化技术（如双贪心算法、带阈值的密度贪心算法，以及带pipage/交换舍入的连续贪心算法）。
• 该约化使得近似保证可从子模算法继承，且舍入过程通过混合与耦合论证保持了值的大小。

实验结果

研究问题

• RQ1 能否将具有预算约束的DR-子模最大化问题约化为标准子模优化问题，且对预算B具有对数依赖？
• RQ2 如何利用整数预算的分解来表示所有可行的整数向量，同时最小化变量数量？
• RQ3 在约化空间中，DR性质与子模性之间的结构关系是什么？如何保持这种关系？
• RQ4 能否通过此约化将现有子模最大化算法适配到DR-子模设置中，且近似质量损失最小？
• RQ5 该约化对运行时间复杂度有何影响，特别是在基数、背包和拟模约束下？

主要发现

• 该约化构造了一个在 $ O(n + \sum_i \log B_i) $ 个元素上的子模函数 $ g $，其精确捕获了原始DR-子模函数 $ f $ 的取值，从而可直接应用子模算法。
• 对于无约束的DR-子模最大化，获得了运行时间为 $ O(n + \sum_i \log B_i) $ 的 $ 1/2 $-近似算法，与在约化实例上应用双贪心算法的性能一致。
• 对于在基数约束 $ B $ 下的单调DR-子模函数，实现了 $ 1 - 1/e - \epsilon $ 的近似，运行时间为 $ O(m \log(m/\epsilon)/\epsilon) $，其中 $ m = n/\epsilon + \sum_i \log B_i $。
• 对于拟模约束，该方法对单调函数实现了 $ 1 - 1/e $ 的近似，对非单调函数实现了 $ 1/e $ 的近似，运行时间为 $ n $ 和 $ \sum_i \log B_i $ 的多项式时间。
• 舍入过程通过混合与耦合论证保持了近似质量，表明约化函数的多线性扩展支配原始函数，且pipage/交换舍入在整数解中保持了函数值。
• 该约化确保了所有约束（基数、背包、拟模）在约化空间中被保留，从而为多种约束类型提供统一的框架。