[论文解读] Maximizing Stochastic Monotone Submodular Functions

Arash Asadpour, Hamid Nazerzadeh|arXiv (Cornell University)|Aug 19, 2009

Complexity and Algorithms in Graphs参考文献 27被引用 5

一句话总结

本文研究在拟阵约束下的随机单调子模函数最大化问题，提出一种非自适应策略，实现最优自适应间隙 $\frac{e}{e-1}$，并提出一种自适应贪婪策略，在拟阵为均匀拟阵时保证获得最优值的至少 $1 - \frac{1}{e}$。该研究建立了紧致的近似界，并为随机子模优化提供了多项式时间算法。

ABSTRACT

We study the problem of maximizing a stochastic monotone submodular function with respect to a matroid constraint. Due to the presence of diminishing marginal values in real-world problems, our model can capture the effect of stochasticity in a wide range of applications. We show that the adaptivity gap -- the ratio between the values of optimal adaptive and optimal non-adaptive policies -- is bounded and is equal to e/(e-1). We propose a polynomial-time non-adaptive policy that achieves this bound. We also present an adaptive myopic policy that obtains at least half of the optimal value. Furthermore, when the matroid is uniform, the myopic policy achieves the optimal approximation ratio of 1-1/e.

研究动机与目标

• 分析在拟阵约束下随机单调子模优化中的自适应间隙。
• 设计一种多项式时间的非自适应策略，实现最优自适应间隙 $\frac{e}{e-1}$。
• 为一般拟阵设计一种具有可证明近似保证的自适应贪婪策略。
• 为均匀拟阵情形建立紧致的近似比，特别是 $1 - \frac{1}{e}$。
• 将确定性子模优化结果扩展到具有不确定性和递减边际收益的随机设置。

提出的方法

• 采用基于期望边际收益选择元素的非自适应策略，实现最优自适应间隙 $\frac{e}{e-1}$。
• 应用一种贪婪自适应策略，每一步选择期望边际收益最高的元素。
• 通过条件期望和子模性的概率分析，界定自适应策略与非自适应策略之间的性能差距。
• 利用引理11界定策略路径中活跃集合的总和，确保多项式时间复杂度。
• 通过对策略步骤的不等式进行加权求和，权重系数为 $ (1 - \frac{1}{k})^{k-1-t} $，推导出近似比。
• 依赖函数的随机单调性和子模性，确保边际收益非负且递减。

实验结果

研究问题

• RQ1 在拟阵约束下，随机单调子模函数最大化问题的自适应间隙是多少？
• RQ2 在随机设置下，非自适应策略能否实现最优自适应间隙 $\frac{e}{e-1}$？
• RQ3 在一般拟阵设置下，自适应贪婪策略能保证多高的近似比？
• RQ4 当拟阵为均匀拟阵时，贪婪策略是否能达到最优的 $1 - \frac{1}{e}$ 近似比？
• RQ5 边际值的随机性如何影响子模优化中贪心策略与自适应策略的性能？

主要发现

• 在拟阵约束下，随机单调子模最大化问题的自适应间隙有界且等于 $\frac{e}{e-1}$，与确定性情形一致。
• 多项式时间的非自适应策略实现了这一最优自适应间隙，提供了紧致的性能保证。
• 在一般拟阵设置下，自适应贪婪策略保证获得最优值的一半以上。
• 当拟阵为均匀拟阵时，贪婪策略实现了最优近似比 $1 - \frac{1}{e}$。
• 该近似比 $1 - \frac{1}{e}$ 是紧致的，通过匹配非随机情形下贪心算法的最坏情况性能得到验证。
• 分析结果表明，在均匀拟阵约束下，贪婪策略的期望值至少为最优自适应策略值的 $1 - \frac{1}{e}$ 倍。