[论文解读] Adaptivity gaps for stochastic probing: submodular and XOS functions

Anupam Gupta, Viswanath Nagarajan+1 more|arXiv (Cornell University)|Jan 16, 2017

Auction Theory and Applications被引用 35

一句话总结

本文研究了在子模函数和XOS（分数次可加）函数下的随机探测中适应性差距问题，其中元素以随机方式激活，必须通过探测才能揭示其状态。研究证明，对于单调和非单调子模函数，该差距为常数；对于小宽度的XOS函数，该差距为对数级，表明在这些情况下，非适应性策略几乎可以与适应性策略一样有效。

ABSTRACT

Suppose we are given a submodular function f over a set of elements, and we want to maximize its value subject to certain constraints. Good approximation algorithms are known for such problems under both monotone and non-monotone submodular functions. We consider these problems in a stochastic setting, where elements are not all active and we only get value from active elements. Each element e is active independently with some known probability pe, but we don't know the element's status a priori: we find it out only when we probe the element e. Moreover, the sequence of elements we probe must satisfy a given prefix-closed constraint, e.g., matroid, orienteering, deadline, precedence, or any downward-closed constraint.In this paper we study the gap between adaptive and non-adaptive strategies for f being a submodular or a fractionally subadditive (XOS) function. If this gap is small, we can focus on finding good non-adaptive strategies instead, which are easier to find as well as to represent. We show that the adaptivity gap is a constant for monotone and non-monotone submodular functions, and logarithmic for XOS functions of small width. These bounds are nearly tight. Our techniques show new ways of arguing about the optimal adaptive decision tree for stochastic optimization problems.

研究动机与目标

• 理解在子模和XOS目标函数下，随机探测中适应性策略与非适应性策略之间的权衡。
• 量化适应性差距——即最优适应性策略与非适应性策略之间的比值——在不同函数类和约束下的表现。
• 开发新的分析技术，用于推理随机优化中最优适应性决策树的行为。
• 为单调和非单调子模函数，以及小宽度XOS函数，建立几乎紧致的适应性差距边界。
• 证明非适应性策略在这些场景下几乎是最优的，从而在实践中简化计算与表示。

提出的方法

• 提出一种新颖的框架，用于比较随机探测中适应性与非适应性策略的适应性差距。
• 利用子模函数和XOS函数的结构特性，界定适应性与非适应性策略之间的性能差异。
• 采用递归分解技术，推理随机环境下最优决策树的行为。
• 利用已知的子模最大化结果（例如在拟阵、探险者问题等约束下）推导适应性差距的边界。
• 引入XOS函数的宽度参数以细化适应性差距边界，表明其与该宽度呈对数依赖关系。
• 运用概率分析和集中度论证，比较适应性与非适应性策略的期望值。

实验结果

研究问题

• RQ1 在前缀闭合约束下，单调子模函数在随机探测中的最大适应性差距是多少？
• RQ2 在相同的随机设置下，非单调子模函数的适应性差距表现如何？
• RQ3 XOS函数的适应性差距是多少，特别是当函数宽度较小时？
• RQ4 在这些场景下，非适应性策略能否实现对最优适应性策略的常数或对数级近似？
• RQ5 可以开发出哪些新的分析技术，以推理随机优化中最优适应性决策树的行为？

主要发现

• 在前缀闭合约束下，单调和非单调子模函数在随机探测中的适应性差距有界于常数。
• 对于小宽度的XOS函数，适应性差距在宽度上呈对数关系，且该边界几乎紧致。
• 研究结果表明，对于子模函数和低宽度XOS函数，非适应性策略几乎是最优的，从而简化了算法设计。
• 分析引入了新的技术，用于推理随机环境下最优适应性决策树的行为，这些技术可能可推广至当前研究范围之外。
• 适应性差距的边界几乎紧致，表明在一般情况下，所推导的比值无法被显著改进。
• 该框架适用于广泛的约束类型，包括拟阵、探险者问题、截止时间、优先级和向下闭包约束。