[论文解读] Non-submodular Function Maximization subject to a Matroid Constraint, with Applications

Khashayar Gatmiry, Manuel Gomez-Rodriguez|arXiv (Cornell University)|Nov 19, 2018

Complexity and Algorithms in Graphs参考文献 55被引用 6

一句话总结

本文针对在一般拟阵约束下最大化非子模、非递减集合函数的标准化贪心算法提出了理论分析。建立了两个近似保证：一个基于子模比 γ（0.4γ²/(√(γr)+1)），另一个基于广义曲率 α（(1+1/(1−α))⁻¹），展示了其在链路推荐和高斯图模型估计等实际应用中的实用性与竞争力。

ABSTRACT

The standard greedy algorithm has been recently shown to enjoy approximation guarantees for constrained non-submodular nondecreasing set function maximization. While these recent results allow to better characterize the empirical success of the greedy algorithm, they are only applicable to simple cardinality constraints. In this paper, we study the problem of maximizing a non-submodular nondecreasing set function subject to a general matroid constraint. We first show that the standard greedy algorithm offers an approximation factor of $\frac{0.4 γ^{2}}{\sqrt{γr} + 1}$, where $γ$ is the submodularity ratio of the function and $r$ is the rank of the matroid. Then, we show that the same greedy algorithm offers a constant approximation factor of $(1 + 1/(1-α))^{-1}$, where $α$ is the generalized curvature of the function. In addition, we demonstrate that these approximation guarantees are applicable to several real-world applications in which the submodularity ratio and the generalized curvature can be bounded. Finally, we show that our greedy algorithm does achieve a competitive performance in practice using a variety of experiments on synthetic and real-world data.

研究动机与目标

• 将贪心算法的理论保证从基数约束扩展到一般拟阵约束，适用于非子模、非递减的集合函数。
• 基于子模比 γ 和广义曲率 α，建立标准贪心算法的近似因子。
• 在实际应用（如可见性最大化和高斯图模型估计）中展示这些理论边界的实用相关性。
• 通过合成数据和真实世界数据的实验，验证该算法在性能上的竞争力。

提出的方法

• 本文引入在拟阵约束下对标准贪心算法的理论分析，利用子模比 γ 来量化与子模性的偏离程度。
• 推导出近似因子 0.4γ²/(√(γr)+1)，其中 r 为拟阵的秩，用于约束在 γ-弱子模函数下的性能表现。
• 引入基于广义曲率 α 的常数近似因子 (1+1/(1−α))⁻¹，用于衡量函数接近模函数的程度。
• 该方法包括将 γ 和 α 与近似保证联系起来的理论推导，并将其应用于链路推荐和高斯图模型等实际问题。
• 通过合成数据和真实世界数据集验证该方法，将贪心算法与启发式方法进行比较，并测量可见性和运行时间。
• 实证评估使用理论和实证的可见性指标，以评估贪心解的鲁棒性和收敛性。

实验结果

研究问题

• RQ1 标准贪心算法能否在一般拟阵约束下，对非子模函数最大化问题实现非平凡的近似保证？
• RQ2 贪心算法的近似因子如何用子模比 γ 和拟阵秩 r 表示？
• RQ3 广义曲率 α 是否可用于推导该设置下贪心算法的常数近似因子？
• RQ4 这些理论近似边界在实际应用（如链路推荐和高斯图模型估计）中是否具有实际相关性？
• RQ5 在可见性和运行时间方面，贪心算法的性能与启发式基线相比如何？

主要发现

• 在拟阵约束下，标准贪心算法对非子模、非递减函数的近似因子为 0.4γ²/(√(γr)+1)，其中 γ 为子模比，r 为拟阵秩。
• 该算法还实现了基于广义曲率 α 的常数近似因子 (1+1/(1−α))⁻¹，该因子在某些函数类别中提供了更紧的界。
• 理论近似保证可应用于实际问题，如链路推荐中的可见性最大化和树状高斯图模型估计，其中 γ 和 α 均可被界定。
• 在合成数据和真实世界数据上的实验表明，贪心算法在各种参数设置下，其可见性性能优于多种启发式方法（CP、UP、CUP）。
• 使用实证可见性衡量的贪心算法解收敛于理论解，证实了其鲁棒性和实际可靠性。
• 运行时间与广播源数量呈线性关系，表明其在大规模实例中具有良好的可扩展性。