[论文解读] Fast Maximization of Non-Submodular, Monotonic Functions on the Integer Lattice

Alan Kuhnle, J. David Smith+2 more|arXiv (Cornell University)|May 17, 2018

Complexity and Algorithms in Graphs参考文献 14被引用 17

一句话总结

该论文提出了两种新颖的近似算法——ThresholdGreedy 和 FastGreedy，用于在基数约束下最大化整数格上的非次模、单调函数。通过适配阈值贪心框架并引入混合方法，作者实现了多项式查询复杂度（O(n log k log(ε²/k)）），与标准贪心算法相比，显著减少了函数查询次数和运行时间，同时在非次模目标下仍保持较强的近似保证。

ABSTRACT

The optimization of submodular functions on the integer lattice has received much attention recently, but the objective functions of many applications are non-submodular. We provide two approximation algorithms for maximizing a non-submodular function on the integer lattice subject to a cardinality constraint; these are the first algorithms for this purpose that have polynomial query complexity. We propose a general framework for influence maximization on the integer lattice that generalizes prior works on this topic, and we demonstrate the efficiency of our algorithms in this context.

研究动机与目标

• 为解决在真实应用场景（如传感器部署和具有部分激励的影响最大化）中常见的整数格上非次模函数最大化的高效算法缺乏问题。
• 为整数格上的基数约束最大问题（MCC）设计具有多项式查询复杂度的近似算法，其中标准贪心方法需要 Ω(nk) 次查询。
• 将次模性度量（如 DR 比率 γ_d、次模性比率 γ_s 和曲率 α）推广至格设置，以量化非次模性并指导算法设计。
• 统一并推广在独立 cascade 模型下影响最大化与非次模增强问题，使病毒式营销中的部分激励成为可能。
• 在真实网络上实证验证所提算法，证明其在大幅减少查询次数和运行时间的同时，仍能获得接近最优的解质量。

提出的方法

• 将 Badanidiyuru 和 Vondrák（2014）的阈值贪心框架适配至非次模格函数，提出 ThresholdGreedy 算法，其近似比为 (1 - e^(-γ_d γ_s) - η)，查询复杂度为 O(n log k log(ε²/k))。
• 提出 FastGreedy，一种结合 StandardGreedy 和 ThresholdGreedy 的混合算法，将性能比提升至 (1 - e^(-β*γ_s) - η)，其中 β* ≥ γ_d，且由算法自适应确定。
• 为格函数定义广义的非次模性度量——DR 比率 γ_d、次模性比率 γ_s 和曲率 α，以量化对次模性的偏离，并为理论保证提供依据。
• 设计一个通用的预算分配框架，用于病毒式营销，统一子模与非子模的影响最大化问题，并支持部分激励，便于实证验证。
• 在真实网络（GrQc、Facebook、BA 网络）上实现并评估算法，通过测量解质量、查询次数和运行时间，验证其实际效率。
• 通过边际增益计算和基于阈值的选择策略，避免每次迭代的完整函数评估，从而在保持解质量的同时减少 Oracle 查询次数。

实验结果

研究问题

• RQ1 能否将阈值贪心框架扩展至整数格上的非次模函数，以实现多项式查询复杂度？
• RQ2 如何通过利用非次模性本身，改进非次模格函数上贪心算法的性能比？
• RQ3 非次模性度量（γ_d、γ_s、α）对贪心算法在格函数上的近似保证和实际性能有何影响？
• RQ4 能否构建一个统一的影响最大化框架，支持部分激励，同时涵盖子模与非子模情形？
• RQ5 在真实网络应用中，所提算法在多大程度上降低了查询复杂度和运行时间，同时保持了解质量？

主要发现

• 在 Facebook 网络上，FastGreedy 在 100 个激励等级下，解质量与 StandardGreedy 相差不足 3%，尽管查询次数和运行时间显著减少。
• ThresholdGreedy 将查询复杂度从 Ω(nk) 降低至 O(n log k log(ε²/k))，实现了与预算 k 的对数级缩放，而 StandardGreedy 为线性缩放。
• FastGreedy 的函数查询次数比 ThresholdGreedy 至少减少 14.5%，且随着 k 增大，最多可减少 43%，而解质量无显著下降。
• FastGreedy 的 DR 比率 β* 在所有测试实例中均保持在 0.6 以上，表明具有强大的理论性能保证，且在小型合成网络上接近 1。
• 在 10 个节点的 Barabasi-Albert 网络上，FastGreedy 的最坏情况性能比计算为 0.449692，证实理论界在实践中成立。
• 运行时间主要由函数查询决定，FastGreedy 通过最小化冗余评估，在大规模网络上实现了显著的速度提升。