[论文解读] Submodular Maximization Under A Matroid Constraint: Asking more from an old friend, the Greedy Algorithm

Nived Rajaraman, Rahul Vaze|arXiv (Cornell University)|Oct 30, 2018

Complexity and Algorithms in Graphs参考文献 8被引用 4

一句话总结

本文引入了一种新度量——'判别值'（discriminant），用于细化在拟阵约束下子模最大化问题中贪心算法的近似保证。通过量化每一步中贪心选择相对于最优替代选择的相对增益，作者推导出更紧致、实例相关的近似比，该结果涵盖并优于基于曲率的已有边界，且通过构造的实例证明了其紧致性。

ABSTRACT

The classical problem of maximizing a submodular function under a matroid constraint is considered. Defining a new measure for the increments made by the greedy algorithm at each step, called the discriminant, improved approximation ratio guarantees are derived for the greedy algorithm. At each step, discriminant measures the multiplicative gap in the incremental valuation between the item chosen by the greedy algorithm and the largest potential incremental valuation for eligible items not selected by it. The new guarantee subsumes all the previous known results for the greedy algorithm, including the curvature based ones, and the derived guarantees are shown to be tight via constructing specific instances. More refined approximation guarantee is derived for a special case called the submodular welfare maximization/partition problem that is also tight, for both the offline and the online case.

研究动机与目标

• 解决贪心算法在拟阵约束下子模最大化问题中的理论最坏情况保证与实际性能之间的差距。
• 提出一种新的实例相关性能度量——'判别值'，以捕捉每一步中贪心选择相对于最佳替代选择的有利程度。
• 推导出对贪心算法的改进近似保证，该结果涵盖并细化了现有的基于曲率的边界。
• 通过显式构造问题实例，证明新边界的紧致性。
• 将精细化分析扩展至特殊情况，包括子模福利/划分问题及其在线变体。

提出的方法

• 将判别值 $ d_i' $ 定义为在第 $ i $ 步时，贪心选择带来的增量收益与所有未选中且符合条件的项目中可能获得的最大增量收益之比。
• 利用判别值推导出贪心算法的新近似保证：$ \frac{Z(G)}{Z(\Omega)} \geq \frac{1}{\frac{1}{d} + c} $，其中 $ d $ 为最小判别值，$ c $ 为曲率。
• 构造一族具有可控曲率 $ c $ 和判别值 $ d $ 的问题实例，以在 $ K \to \infty $ 的极限下证明边界的紧致性。
• 利用拟阵结构与贪心路径，建立最优解 $ \Omega $ 的有效排序，以支持判别值的计算。
• 将该边界应用于子模福利/划分问题的离线与在线设置，证明其在两种情况下均成立。
• 使用顺序交换论证法证明所构造解 $ \Omega $ 的最优性，即对任意可行解 $ \Omega' $，均有 $ Z(\Omega) \geq Z(\Omega') $。

实验结果

研究问题

• RQ1 能否通过一种新的实例相关度量，改进在拟阵约束下子模最大化问题中贪心算法的理论近似保证？
• RQ2 作为贪心增益与最佳替代增益之比的判别值，如何细化现有的基于曲率的边界？
• RQ3 新边界是否紧致？能否通过构造的问题实例实现该边界？
• RQ4 基于判别值的分析是否可推广至子模福利/划分问题及其在线变体？
• RQ5 新边界是否能涵盖并优于所有先前已知的基于曲率的保证？

主要发现

• 所提出的基于判别值的边界 $ \frac{1}{\frac{1}{d} + c} $ 严格优于经典的 $ \frac{1}{1+c} $ 基于曲率的保证，并涵盖所有先前结果。
• 该边界是紧致的，通过构造实例证明：当 $ K \to \infty $ 时，近似比趋近于 $ \frac{1}{\frac{1}{d} + c} $。
• 对于子模福利/划分问题，相同的基于判别值的保证在离线与在线设置中均成立，且在线版本仍保持 $ \frac{1}{\frac{1}{d} + c} $ 的比值。
• 分析证明，最优解 $ \Omega $ 可通过保持非负收益增量的顺序交换过程构造，从而确认其最优性。
• 在紧致实例中，判别值 $ d_i' $ 在所有迭代中恒为 $ d $，验证了边界的推导正确性。
• 当 $ d=1 $ 且 $ c \to 0 $ 时，该边界退化为 $ 1-1/e $，与已知最优情况一致；当 $ d=1 $ 且 $ c=1 $ 时，恢复为 $ 1/2 $-近似。