On maximizing a monotone k-submodular function subject to a matroid constraint
$k$ -次模函数是次模函数的扩展,因为其输入由$k$不相交子集而不是单个子集给出。对于无约束的非负$k$ -次模极大化问题,Ward和Yakiivnikov提出了一个常数因子近似算法,Iwata,Tanigawa和Yoshida最近提出了一个$1/2$ -近似算法。Iwata等人也给出了单调$k$ -次模最大化的一个$k/(2k-1)$ -近似算法,并证明了它的近似比是渐近紧的.最近,Ohnik和Yoshida提出了单调$k$的常数因子算法-具有几个大小约束的子模最大化。然而,虽然子模最大化与各种约束已被广泛研究,没有近似算法已开发的约束$k$ -子模最大化,除了大小约束的情况下。在本文中,我们证明了一个贪心算法输出的$1/2$ -近似解单调$k$ -子模极大化与拟阵约束。该算法在$O(M|E|(\text{MO} + k\text{EO}))$时间内运行,其中$M$是极大最优解的大小,$|E|$是基集的大小,$\text{MO}, \text{EO}$分别表示拟阵的成员预言和$k$ -子模函数的求值预言的时间.
2016-08-22 cs.DM cs.DS math.OC
Non-monotone DR-submodular Maximization: Approximation and Regret Guarantees
Sorbonne Université(索邦大学);Univ Évry, Université Paris-Saclay(埃夫里大学,巴黎-萨克雷大学)
子模优化是一个重要的研究领域,在机器学习、经济学和通信系统中有着广泛的应用。它捕获了非凸优化的一个子类,提供了实践和理论上的保证。本文研究了下闭和一般凸集上非单调DR-次模函数的最大化问题。首先,我们表明,离线最大化非单调DR-次模函数在一般的凸集上,Frank-Wolfe算法实现的近似保证依赖于凸集。其次,我们证明了随机梯度上升算法实现了1/4的近似比与遗憾的$O(1/\sqrt{T})$的最大化问题的非单调DR-子模函数的下闭凸集。这些是相应设置中的第一近似保证。最后,我们基准这些算法在机器学习领域与现实世界的数据集出现的问题。
2019-05-23 cs.DS cs.LG math.OC
On maximizing a monotone $k$-submodular function under a knapsack constraint
研究背包约束下最大化非负单调 $k$-子模函数问题,基于 Sviridenko (2004) 结果提出求值 $O(n^4k^3)$ 次的确定性 $0.316$ 近似算法。
2023-08-03 cs.DM cs.DS math.OC
Maximizing Stochastic Monotone Submodular Functions
研究拟阵约束下随机单调次模函数的最大化问题。由于在现实世界的问题中存在的边际值递减,我们的模型可以捕捉随机性的影响,在广泛的应用。我们证明了自适应差距-最优自适应和最优非自适应策略的值之间的比率-是有界的,等于e/(e-1)。我们提出了一个多项式时间的非自适应政策,实现这一界限。我们还提出了一个自适应近视的政策,获得至少一半的最优值。此外,当拟阵是一致的时,近视策略达到了1-1/e的最优逼近比。
2015-05-07 math.OC
Stronger Approximation Guarantees for Non-Monotone γ-Weakly DR-Submodular Maximization
IIT Indore(印度伊蒂学院);Purdue University(普渡大学)
本文提出了一种基于Frank-Wolfe引导的连续贪心框架和γ意识的双贪心步骤的算法,实现了非单调γ-弱DR-子模函数最大化的更强近似保证。
2026-01-02 cs.AI cs.CC cs.LG
Randomized Algorithms for Monotone Submodular Function Maximization on the Integer Lattice
University of Padova(帕多瓦大学);Czech Technical University in Prague(布拉格捷克理工大学)
具有集合次模目标函数的优化问题有许多实际应用。在离散的情况下,同一个项目可以被选择一次以上,该域从一个2元集一般化到一个有界整数格。在这篇文章中,我们考虑了基数约束下有界整数格上单调子模函数的最大化问题。特别是,我们专注于最大化DR-子模函数,即,定义在整数格上的函数,这些函数表现出收益递减特性。对于任意的n> 0,我们给出了一个概率保证为O的随机算法(1 - 1/e -ε)近似,使用由Mirzasoleiman等人为集合次模函数开发的随机贪心算法启发的框架。然后,我们表明,在合成DR-次模函数上,将我们提出的算法应用于整数格上比替代方案更快,包括将目标问题简化到集合域,然后应用最快的已知集合子模最大化算法。
2021-11-19 cs.AI cs.DS cs.LG
A brief note on submodular optimization
North Carolina State University(北卡罗来纳州立大学)
本文回顾子模函数最大化的基础,详述贪心方法及其高效变体,用于近似最大化单调子模函数。
2026-08-04 math.OC
Optimal Algorithms for Continuous Non-monotone Submodular and DR-Submodular Maximization
Stanford University(斯坦福大学)
在本文中,我们研究了极大化超立方体上的连续非单调子模函数的基本问题,包括有和没有坐标方向的限制。这类优化问题在机器学习、经济学和通信系统中有几个应用。我们的主要结果是第一个$\frac{1}{2}$ -近似算法连续次模函数最大化,这个近似因子的$\frac{1}{2}$是最好的算法,只查询目标函数在多项式多点。对于DR-次模最大化的特殊情况,即当次模函数沿所有坐标也是坐标方向凹时,我们提供了一个不同的$\frac{1}{2}$ -近似算法,它在准线性时间内运行。这两个结果都改进了先前的工作[Bian et al,2017,Soma and Yoshida,2017]。我们的第一个算法使用了新的想法,如减少保证近似问题,以分析每个坐标的零和游戏,并结合了这个零和游戏的几何形状,以固定在这个坐标的值。我们的第二个算法利用坐标明智的搜索,以确定一个单调的平衡条件足以得到所需的近似保证,并使用二进制搜索的平衡点狩猎。我们进一步运行实验来验证我们提出的算法在相关机器学习应用中的性能。
2018-05-24 cs.DS cs.GT cs.LG
Resilient Non-Submodular Maximization over Matroid Constraints
University of Pennsylvania(宾夕法尼亚大学)
本文研究了在传感器和执行器失效情况下,基于Matroid约束的控制与传感问题,提出了一种具有系统级鲁棒性、可扩展性和可证明近似界的新算法。
2018-12-06 cs.RO cs.SY eess.SY
A Spatial Branch-and-Bound Approach for Maximization of Non-Factorable Monotone Continuous Submodular Functions
与许多假设目标函数和约束条件是可分解的连续全局最优化方法不同,我们研究了如何找到不可分解问题的全局最大解,重点是一类特定的问题。具体来说,我们开发了一种方法,非减连续次模函数的约束。我们的特点,这些功能的hypograph和开发一个切割平面算法,发现近似解和边界使用的hypograph的凸包的近似。我们还测试了一个空间分支定界的方法,利用近似切割平面算法形成一个外近似,并获得子矩形的上界,并比较我们的方法与最先进的商业求解器。主要结果是,对于某些问题,子模性比可因式分解性更有用。
2022-08-29 math.OC
An Analytic 0.48-Approximation for Non-Monotone k-Submodular Maximization under a Matroid Constraint
University of Chinese Academy of Sciences(中国科学院大学)
本研究针对k≥2的拟阵约束下非单调k-子模最大化问题,提出结合前二标签规则等的随机多项式时间算法,在值预言模型中取得0.48的近似保证。
2026-10-21 cs.DS math.OC
Nonzero-Sum Submodular Monotone-Follower Games: Existence and Approximation of Nash Equilibria
考虑了一类多维奇异控制的N人随机对策,其中每一个局中人都面临一个次模费用的单调跟随型极小化问题。我们称这些博弈为“单调跟随者博弈”。在不一定是马尔可夫的情况下,我们建立了纳什均衡的存在性。此外,我们引入了一个序列的近似对策,限制,对于每个自然数n,局中人的容许策略的Lipschitz过程的Lipschitz常数有界的n。我们证明了,对于每个n,存在一个纳什均衡的近似游戏和纳什均衡序列收敛,在Meyer-Zheng意义下,一个弱(分布)纳什均衡的原始游戏的奇异控制。作为副产品,这种收敛也提供了两类博弈的均衡值的近似结果。最后,我们展示了如何我们的研究结果可以用来证明开环纳什均衡的存在性,在一个N-玩家随机微分对策与奇异控制,我们提出了一个算法来确定纳什均衡的单调跟随游戏。
2019-02-01 math.OC
Deterministic Algorithm for Non-monotone Submodular Maximization under Matroid and Knapsack Constraints
Institute of Computing Technology, Chinese Academy of Sciences(中国科学院计算技术研究所);University of Chinese Academy of Sciences(中国科学院大学)
本文提出确定性算法,在Matroid和Knapsack约束下最大化非单调子模函数,分别达到0.385-ε和0.367-ε的近似比,优于现有结果。
2026-03-16 cs.CC cs.DS math.OC
Robust Monotone Submodular Function Maximization
我们考虑了Krause等人(2008)提出的经典基数约束单调次模函数最大化问题的鲁棒公式,并给出了第一常数因子逼近结果.考虑的稳健性为w.r.t.对抗性地从所选集合中移除最多$τ$元素。对于$τ=1$的基本情况,我们给出了一个确定性的$(1-1/e)-1/Θ(m)$近似算法,其中$m$是一个输入参数和查询的数量规模为$O(n^{m+1})$。在这个过程中,我们开发了一个确定性的$(1-1/e)-1/Θ(m)$近似贪婪算法的双目标最大化的(两个)单调子模函数。推广这些想法并使用Chekuri等人(2010)的结果,我们展示了常数$τ$和$ε\leq \frac{1}{\tildeΩ(τ)}$的随机$(1-1/e)-ε$近似,进行$O(n^{1/ε^3})$查询。进一步,对于$τ\ll \sqrt{k}$,我们给出了一个快速实用的0.387算法.最后,我们还给出了一个黑盒结果的更一般的设置鲁棒最大化的独立系统。
2017-11-15 cs.DM cs.DS math.OC
Fast First-Order Methods for Monotone Strongly DR-Submodular Maximization
University of Washington(华盛顿大学)
连续DR-次模函数是一类满足收益递减(DR)性质的函数,这意味着它们沿非负方向是凹的。已有的工作研究单调连续DR-子模极大化的凸约束,并提出了有效的算法与近似保证。然而,在许多应用中,例如,计算图的稳定数和概率对数次模模型的平均场推断,DR次模函数具有沿非负方向是\emph{strongly}凹的附加性质,这可以用于获得更快的收敛速率。在本文中,我们首先引入和刻画了一类\emph{strongly DR-submodular}函数,并证明了这样一个性质意味着沿非负方向的强连续性。然后,我们研究了$L$ -光滑单调强DR-次模函数有界曲率,我们展示了如何利用这种额外的结构,以获得改进的近似保证和更快的收敛速度的最大化问题的算法。特别是,我们提出了SDRFW算法,匹配可证明的最佳$1-\frac{c}{e}$近似比后,只有$\lceil\frac{L}μ\rceil$迭代,其中$c\in[0,1]$和$μ\geq 0$的曲率和强DR-子模块化参数。此外,我们研究了投影梯度上升(PGA)方法,并提供了一个改进的$\frac{1}{1+c}$逼近比和线性收敛速度的算法的精细分析。考虑到这两种算法都需要光滑参数$L$的知识,我们提供了DR-子模函数的$L$的\emph{novel}特征,表明在许多情况下,计算$L$可以被公式化为凸问题,即,一个几何规划,可以有效地解决。
2022-05-27 cs.LG math.OC stat.ML
Submodular Order Functions and Assortment Optimization
本文定义次模序函数这一新集合函数类,为多种约束下的最大化问题给出快速强近似算法及近紧查询复杂度上界,并用于品类优化和流式次模最大化。
2024-02-29 cs.DS math.OC
Online Learning for Non-monotone Submodular Maximization: From Full Information to Bandit Feedback
City University of Hong Kong(香港城市大学);Cainiao Network(菜鸟网络);National University of Singapore(新加坡国立大学)
在本文中,我们重新审视在线非单调连续DR-次模最大化问题的下闭凸集,发现广泛的现实世界中的应用领域的机器学习,经济学和运筹学。首先,我们提出了Meta-MFW算法,以每轮$T^{3/2}$随机梯度评估为代价,实现了$O(\sqrt{T})$的$1/e$ -遗憾。Meta-MFW是第一个针对下闭凸集上的在线非单调连续DR-次模极大化问题获得$O(\sqrt{T})$的$1/e$ -后悔的算法。此外,与ODC算法\citep{thang2021online}形成鲜明对比,Meta-MFW依赖于简单的在线线性预言,没有离散化,提升或舍入操作。考虑到实际应用的限制,我们提出了Mono-MFW算法,该算法将$T^{3/2}$的每个函数的随机梯度估计减少到1,并达到了$O(T^{4/5})$的$1/e$ -遗憾界。其次,我们将Mono-MFW扩展到Bandit环境,提出了Bandit-MFW算法,该算法达到了$O(T^{8/9})$的$1/e$ -遗憾界。据我们所知,Mono-MFW和Bandit-MFW是第一个次线性后悔算法,分别探索下闭凸集上的在线非单调连续DR-次模极大化问题的一次性和强盗设置。最后,我们在合成和真实世界的数据集上进行了数值实验,以验证我们的方法的有效性。
2022-08-16 cs.LG math.OC
Upper-Linearizability of Online Non-Monotone DR-Submodular Maximization over Down-Closed Convex Sets
Purdue University(普渡大学);IIT Indore(印度理工学院Indore);Mila - Quebec AI Institute/McGill University(魁北克AI研究所/麦吉尔大学)
本文提出了一种将非单调DR-子模最大化问题转化为在线线性优化的方法,实现了O(T^{1/2})的静态后悔和改进的动态后悔保证。
2026-07-13 cs.LG math.OC stat.ML
A Deterministic $0.401$-Approximation for Non-monotone Submodular Maximization under Matroid Constraints
State Key Lab of Processors, Institute of Computing Technology, Chinese Academy of Sciences(中国科学院计算技术研究所处理器重点实验室);School of Computer Science and Technology, University of Chinese Academy of Sciences(中国科学院大学计算机科学与技术学院)
本文针对拟阵约束下非单调子模极大化问题,提出一种确定性0.401近似算法,改进了此前的确定性近似保证,核心技术为基于至多两个划分拟阵基的方向谕示。
2026-10-14 cs.DS math.OC
Improved Regret Bounds for Online Submodular Maximization
University of Washington(华盛顿大学)
在本文中,我们考虑一个在线优化问题$T$轮在每一步$t\in[T]$,该算法选择一个行动$x_t$从固定的凸和紧凑的域集$\mathcal{K}$。然后,揭示效用函数$f_t(\cdot)$,并且算法接收回报$f_t(x_t)$。这个问题已被研究的假设下,公用事业是对立选择单调DR-次模函数和$\mathcal{O}(\sqrt{T})$遗憾界已被导出。我们首先刻画了一类强DR-次模函数,然后,我们得出遗憾的界限,为以下新的在线设置:$(1)$ $\{f_t\}_{t=1}^T$是单调的强DR-次模,并选择adversarially,$(2)$ $\{f_t\}_{t=1}^T$是单调次模(而平均$\frac{1}{T}\sum_{t=1}^T f_t$是强DR-次模),并选择了一个对手,但他们在一个统一的随机顺序到达,$(3)$ $\{f_t\}_{t=1}^T$被绘制i.i.d.从一些未知的分布$f_t\sim \mathcal{D}$,其中期望的函数$f(\cdot)=\mathbb{E}_{f_t\sim\mathcal{D}}[f_t(\cdot)]$是单调DR-子模的。对于$(1)$,我们得到了第一个对数遗憾界。在第二个框架,我们表明,它是可能的,以高概率获得类似的对数界限。最后,对于i.i.d.模型,我们提供了算法与$\tilde{\mathcal{O}}(\sqrt…
2021-06-15 cs.LG math.OC stat.ML
Continuous Non-monotone DR-submodular Maximization with Down-closed Convex Constraint
研究了受向下闭合凸约束的连续非单调DR-次模最大化问题,通过构建实例揭示驻点近似比差的缺陷,并将两种离散算法扩展至连续域以获得更优的近似比。
2024-03-26 cs.DS math.OC
Gradient Methods for Submodular Maximization
University of Pennsylvania(宾夕法尼亚大学);University of Southern California(南加州大学);Yale University(耶鲁大学)
在本文中,我们研究的问题,最大化的连续次模函数,自然出现在许多学习应用,如涉及效用函数的主动学习和传感,矩阵逼近和网络推理。尽管这些函数明显缺乏凸性,但我们证明了随机投影梯度方法可以为凸约束的连续次模函数最大化提供强逼近保证。更具体地说,我们证明了单调连续DR-次模函数,所有不动点的投影梯度上升提供了一个因素$1/2$近似的全球最大值。我们还研究了随机梯度和镜像方法,并表明,$\mathcal{O}(1/ε^2)$迭代后,这些方法达到的解决方案,达到预期的目标值超过$(\frac{\text{OPT}}{2}-ε)$。我们的结果的一个直接应用是最大化的次模函数,定义随机,即次模函数被定义为一个家庭的次模函数与未知的分布的期望。我们将展示如何随机梯度方法自然非常适合这种设置,导致一个因素$1/2$近似时,函数是单调的。特别是,它使我们能够近似最大化离散的,单调的子模块优化问题,通过投影梯度下降的连续松弛,直接连接的离散和连续域。最后,对真实数据的实验表明,与其他连续基线相比,我们的投影梯度方法始终实现最佳效用,同时在计算工作量方面保持竞争力。
2017-08-15 cs.LG math.OC
Communication-Efficient Decentralized Online Continuous DR-Submodular Maximization
City University of Hong Kong(香港城市大学);Cainiao Network(菜鸟网络)
最大化单调子模函数是机器学习、经济学和统计学中的一项基本任务。在本文中,我们提出了两个通信有效的分散在线算法的单调连续DR-子模最大化问题,这两个减少每功能梯度评估的数量和每轮通信复杂性从$T^{3/2}$到$1$。第一个是单次分散元Frank-Wolfe(Mono-DMFW),实现了$O(T^{4/5})$的$(1-1/e)$ -遗憾界。据我们所知,这是第一个用于单调连续DR子模最大化的一次性无投影分散在线算法。其次,受非遗忘提升函数\citep{zhang2022boosting}的启发,提出了分散在线提升梯度上升(DOBGA)算法,该算法实现了$O(\sqrt{T})$的$(1-1/e)$ -遗憾。据我们所知,这是第一个结果,以获得最佳的$O(\sqrt{T})$对$(1-1/e)$ -近似,只有一个梯度查询每个局部目标函数的每一步。最后,各种实验结果证实了所提出的方法的有效性。
2022-08-18 cs.LG math.OC
Unified Projection-Free Algorithms for Adversarial DR-Submodular Optimization
Purdue University(普渡大学);Iowa State University(爱荷华州立大学)
本文提出统一的Frank-Wolfe型无投影算法用于对抗性连续DR-次模优化,覆盖全信息与(半)赌博机反馈、单调与非单调函数及多种约束,在非单调设置中首次获得次线性α-遗憾界,在单调设置8个案例中7个达到最优水平。
2024-04-26 cs.AI cs.CC cs.LG
Conditional Gradient Method for Stochastic Submodular Maximization: Closing the Gap
Simons Institute for the Theory of Computing(西蒙斯理论计算研究所)
本文研究了\textit{constrained}和\textit{stochastic}连续子模极大化问题。即使目标函数是不是凹(也不是凸),并定义在一个期望,我们开发了一个变种的条件梯度法,称为\alg,它实现了\textit{tight}近似保证。更准确地说,对于单调和连续的DR-子模函数和受到\textit{general}凸体约束,我们证明了\alg实现了$[(1-1/e)\text{OPT} -\eps]$保证(在预期中)与$\mathcal{O}{(1/\eps^3)}$随机梯度计算。这种保证匹配已知的硬度结果,并关闭确定性和随机连续子模最大化之间的差距。通过使用随机连续优化作为一个接口,我们还提供了第一$(1-1/e)$紧逼近保证最大化的\textit{monotone but stochastic}子模块\textit{set}功能的一般拟阵约束。
2017-11-05 cs.LG math.OC
Stochastic Conditional Gradient Methods: From Convex Minimization to Submodular Maximization
Massachusetts Institute of Technology(麻省理工学院);University of Pennsylvania(宾夕法尼亚大学);Yale University(耶鲁大学)
本文考虑一类目标函数的随机最优化问题,其中包括凸的和连续的子模。随机近端梯度法已被广泛用于解决这类问题,然而,当问题维数很大,投影到一个凸集是昂贵的,他们的适用性仍然有限。相反,随机条件梯度法被提出作为一种替代解决方案,依赖于(i)通过简单的平均技术近似梯度,每次迭代需要一个单一的随机梯度评估;(ii)求解线性规划来计算下降/上升方向。平均技术降低了噪声的梯度近似随着时间的推移,并取代投影步骤在近似方法由一个线性规划降低了每次迭代的计算复杂性。我们表明,在凸性和光滑性的假设下,我们提出的方法收敛到最佳的目标函数值在一个次线性率$O(1/t^{1/3})$。此外,对于单调和连续的DR-子模函数和一般凸体约束,我们证明了我们提出的方法实现了$((1-1/e)OPT-\eps)$保证与$O(1/\eps^3)$随机梯度计算。这种保证匹配已知的硬度结果,并关闭确定性和随机连续子模最大化之间的差距。此外,对于目标函数是连续的DR-次模但非单调的,且约束集是下闭的情形,我们利用$O(1/\eps^3)$随机梯度得到了$((1/e)OPT -\eps)$保证.通过使用随机连续优化作为一个接口,我们提供了第一个$(1-1/e)$紧逼近保证最大化的单调,但随机子模集函数的拟阵约束和$(1/e)$逼近保证的非单调的情况下。
2018-11-12 cs.LG math.OC stat.ML
Multi-Objective Maximization of Monotone Submodular Functions with Cardinality Constraint
考虑基数约束下单调次模函数的多目标最大化问题,通常表示为$\max_{|A|=k}\min_{i\in\{1,\dots,m\}}f_i(A)$。虽然众所周知,贪婪方法对单个目标很有效,但对于多个目标,问题变得更加困难。事实上,Krause et al.(2008)表明,当目标$m$的数量随着基数$k$的增长时,即,$m=Ω(k)$,则问题不可近似(除非是$P=NP$)。另一方面,当$m$是常数时,Chekuri et al.(2010)展示了一个随机的$(1-1/e)-ε$近似与运行时(查询函数oracle的次数)$n^{m/ε^3}$。%事实上,Chekuri et al.(2010)是针对更一般的拟阵常数的情况。我们专注于找到一个快速和实用的算法,具有(渐近)近似保证,即使当$m$是超级常数。我们首先修改Chekuri等人的算法。(2010)以实现$m=o(\frac{k}{\log^3 k})$的$(1-1/e)$近似。这证明了在$m=Ω(k)$附近从常数因子可近似性到不可近似性的急剧转变。然后使用多重权重更新(MWU),我们找到了一个更快的$\tilde{O}(n/δ^3)$时间渐近$(1-1/e)^2-δ$近似。虽然上述结果都是随机的,我们也给出了一个简单的确定性$(1-1/e)-ε$近似与运行时$kn^{m/ε^4}$。最后,我们使用Kronecker图进行合成实验,…
2021-05-01 cs.DS math.OC stat.ML
Resilient Monotone Sequential Maximization
University of Pennsylvania(宾夕法尼亚大学);Massachusetts Institute of Technology(麻省理工学院)
在机器学习、优化和控制中的应用需要顺序选择一些系统元素,例如传感器、数据或致动器,以优化跨多个时间步长的系统性能。然而,在易发生故障和对抗性环境中,传感器会受到攻击,数据会被删除,执行器会发生故障。因此,传统的顺序设计范式变得不足,相反,适应系统范围的攻击,删除或故障的弹性顺序设计变得重要。一般来说,弹性序贯设计问题在计算上是困难的。此外,即使它们通常涉及单调和(可能)子模的目标函数,也没有可扩展的近似算法已知其解决方案。在本文中,我们提供了第一个可扩展的算法,实现了以下特点:系统范围的弹性,即,该算法对于任何数量的拒绝服务攻击、删除或失败都是有效的;自适应性,即,在每个时间步,该算法基于所造成的攻击、删除或故障的历史来选择系统元件;以及可证明的近似性能,即,该算法保证单调目标函数的解接近最优。我们量化的算法的近似性能使用的概念曲率单调(不一定submodular)集函数。最后,我们支持我们的理论分析与模拟实验,通过考虑控制感知传感器调度的情况下,即感知约束的机器人导航。
2020-12-16 cs.LG math.OC stat.ML
Maximizing Modular plus Non-monotone Submodular Functions
本文研究的问题是在一类下闭集上极大化非负次模加模的松弛问题,其值域为整个实数域。我们在给定约束的多面体中寻找一个可行点$\mathbf{x}^*$,使得$\mathbf{x}^*\in\arg\max_{\mathbf{x}\in\mathcal{P}\subseteq[0,1]^n}F(\mathbf{x})+L(\mathbf{x})$,其中$F$,$L$表示底层子模函数$f$和模函数$\ell$的扩展。我们提供了一个近似算法\textsc{Measured Continuous Greedy with Adaptive Weights},它产生一个保证$F(\mathbf{x})+L(\mathbf{x})\geq \left(1/e-\mathcal{O}(ε)\right)\cdot f(OPT)+\left(\frac{β-e}{e(β-1)}-\mathcal{O}(ε)\right)\cdot\ell(OPT)$的假设下,$\ell(OPT)$内的非负部分的比例,其负部分的绝对值是由一个参数$β\in[0, \infty]$,其中$OPT$是离散问题的最佳积分解。显然,当$β=0$时,$\ell(OPT)$的因子是$1$,这意味着此时负部分完全占优势;否则,当$β\rightarrow\infty$时,因子接近$1/e$。我们的工作首先打破了限制的特定值范围的模块功…
2022-04-12 cs.DS math.OC
The Power of Subsampling in Submodular Maximization
Yale University(耶鲁大学);Google(谷歌);University of Haifa(海法大学)
我们提出子采样作为一个统一的算法技术,子模块化的最大化在集中和在线设置。这个想法很简单:独立地从基集合中采样元素,并对这些采样元素使用简单的组合技术(例如贪婪或局部搜索)。我们表明,这种方法导致最佳/国家的最先进的结果,尽管比现有的方法简单得多。在通常的离线设置中,我们提出了SampleGreedy,它获得了一个$(p + 2 + o(1))$ -近似最大化的子模函数的$p$ -可扩展系统使用$O(n + nk/p)$评估和可行性查询,其中$k$是最大的可行集的大小。对于单调子模和线性目标,近似比分别提高到$p+1$和$p$。在流设置中,我们提出了SampleStreaming,它获得了一个$(4p +2 - o(1))$ -近似最大化的子模函数的$p$ -matchoid使用$O(k)$内存和$O(km/p)$评估和可行性查询每个元素,其中$m$是定义的$p$ -matchoid拟阵的数量。对于单调子模目标,近似比提高到$4p$。我们经验证明了我们的算法对视频摘要,位置摘要和电影推荐任务的有效性。
2021-04-06 cs.DS cs.LG math.OC
Algorithmically Fair Maximization of Multiple Submodular Objective Functions and Implications to Constrained Fair Division
Athens University of Economics and Business(雅典经济与商业大学);Archimedes, Athena Research Center(阿尔基米德,阿瑞纳研究中心);University of Liverpool(利物浦大学);Sapienza University of Rome(罗马第一大学);University of Amsterdam(阿姆斯特丹大学)
本文研究多个智能体在共同基集上最大化各自子模目标函数的问题,提出并分析了一种简单的轮询协议,证明了贪婪策略在单调和非单调目标下具有近似最优性及公平性保证。
2026-06-02 cs.DS cs.GT math.OC