Derandomization for k-submodular maximization
子模性是组合优化的重要性质之一,$k$ -子模性是子模性的推广。$k$ -次模函数的极大化是NP难的,研究了近似算法.对于单调$k$ -次模函数,[Iwata,Tanigawa,and Yoshida 2016]给出了$k/(2k-1)$ -近似算法。本文通过对该算法的去随机化,给出了一个确定性算法。去随机化方案来自[Buchbinder and Feldman 2016]。我们的算法是$k/(2k-1)$ -近似和多项式时间算法。
2017-02-15 cs.DS
Weakly Submodular Function Maximization Using Local Submodularity Ratio
弱次模是报酬递减性质的一种自然松弛,与次模等价。弱子模性已经被用来证明,许多在实践中出现的(单调)函数可以有效地最大化与可证明的保证。在这项工作中,我们介绍了两个自然推广的弱次模的非单调函数。我们表明,一个有效的随机贪心算法具有可证明的近似保证最大化这些功能的基数约束。然后,我们提供了更精确的分析,该分析考虑到弱子模块性参数可能会在算法执行过程中发生变化(有时会改善)。这导致在某些设置中改进的近似保证。我们提供应用程序的单调和非单调最大化问题的结果。
2020-09-23 cs.DS
Robust Adaptive Submodular Maximization
Naveen Jindal School of Management, The University of Texas at Dallas(德克萨斯大学达拉斯分校纳文·金达尔管理学院)
序贯决策问题的目标是设计一个交互式策略,自适应地选择一组项目,每次选择都是基于过去的反馈,以最大化所选项目的期望效用。它已被证明,许多现实世界中的应用程序的效用函数是自适应子模。然而,现有的自适应子模块优化算法的研究大多集中在平均情况下。不幸的是,具有良好平均情况性能的策略在最坏情况实现下可能具有非常差的性能。在这项研究中,我们建议研究两个变种的自适应子模块优化问题,即最坏情况下的自适应子模块最大化和鲁棒子模块最大化。第一个问题的目的是找到一个政策,最大化最坏情况下的效用和后者的目的是找到一个政策,如果有的话,同时实现近最优的平均情况下的效用和最坏情况下的效用。我们引入了一类新的随机函数,称为\emph{worst-case submodular function}。对于$p$系统约束下的最坏情况自适应次模块最大化问题,如果效用函数是最坏情况次模块化的,我们提出了一种自适应最坏情况贪婪策略,该策略可以实现对最优最坏情况效用的$\frac{1}{p+1}$逼近比.对于基数约束下的鲁棒自适应次模最大化问题(分别为分割拟阵约束),如果效用函数是最坏情况下的次模和自适应次模,我们开发了一种混合自适应策略,实现了接近$1-e^{-\frac{1}{2}}$(分别为)的近似。$1/3$)同时在最差情况和平均情况设置下。我们还描述了我们的理论结果的几个应用,包括池为基础的主动学习,随机子模块集覆…
2022-09-12 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
Submodular Maximization Subject to Uniform and Partition Matroids: From Theory to Practical Applications and Distributed Solutions
本文系统研究受均匀与划分拟阵约束的子模最大化问题,重点分析顺序贪心算法及其有效性,并扩展到分布式优化场景,为理论与实际应用搭建桥梁。
2025-01-02 cs.DS
Submodular Maximization by Simulated Annealing
我们考虑最大化一个非负(可能非单调)的子模集函数的问题,有或没有约束。Feige等人[FOCS'07]证明了无约束问题的2/5近似,并证明了在值预言模型中不可能有比1/2更好的近似。对于子模最大化受拟阵独立约束(因子为0.309 Vondrak [FOCS'09])和子模最大化受拟阵基约束,也给出了常数因子近似,前提是分数基包装数至少为2(1/4近似,Vondrak [FOCS'09])。本文基于{ \em模拟退火}的思想,提出了一种新的子模最大化算法。我们证明了该算法实现了两个问题的改进近似:0.41近似无约束的子模最大化,和0.325近似子模最大化受到拟阵独立约束。在硬度方面,我们表明,在价值预言模型是不可能实现0.478近似submodular最大化的拟阵独立约束,或0.394近似拟阵基地约束的拟阵有两个不相交的基地。即使在基数约束的特殊情况下,我们证明了它是不可能达到0.491-近似。(以前可以想象,这些问题存在1/2近似。对于无约束的子模极大化问题,1/2近似是否可能仍然是一个悬而未决的问题。
2010-07-09 cs.DS
A $(k + 3)/2$-approximation algorithm for monotone submodular maximization over a $k$-exchange system
研究了$k$ -交换系统中单调次模函数的最大化问题.这些系统由Feldman等人引入,将拟阵k-奇偶问题推广到更广泛的拟阵类中,并捕获了许多其他组合优化问题。Feldman等人证明了一种简单的非遗忘局部搜索算法可以获得$(k + 1)/2$近似比,用于求解$k$ -交换系统中的线性最大化问题。在这里,我们扩展这种方法的情况下,单调的子模目标函数。对于$k$ -交换系统中的单调子模函数最大化问题,给出了一个确定的非遗忘局部搜索算法,该算法的逼近比为$(k + 3)/2$.
2011-09-28 cs.DS
Submodular Maximization over Sliding Windows
在本文中,我们研究的数据流模型中的子模块最大化形式的代表元素的提取。与以往的流次模最大化问题不同,我们只对最近的数据感兴趣,并研究了滑动窗口上的最大化问题。我们提供了一个一般的减少从滑动窗口模型的标准流模型,因此我们的方法适用于一般的约束条件,只要有一个相应的流算法在标准流模型。因此,我们得到的第一个算法在滑动窗口模型的基数和拟阵约束下的单调/非单调子模函数最大化。我们还提出了几种算法,并在现实世界的数据集上显示了它们的效率。
2016-11-01 cs.DS
Non-monotone DR-Submodular Function Maximization
我们考虑非单调DR-子模函数最大化,其中DR-子模性(递减返回子模性)是基于递减返回性质概念的整数格上函数的子模性的扩展。最大化非单调DR-次模函数在机器学习中有许多应用,这些应用不能被次模集函数捕获。在本文中,我们提出了一个$\frac{1}{2+ε}$ -近似算法的运行时间约为$O(\frac{n}ε\log^2 B)$,其中$n$是基集的大小,$B$是坐标的最大值,和$ε> 0$是一个参数。近似比几乎是紧的,并且运行时间对$B$的依赖性指数小于朴素的贪心算法。在合成数据集和真实数据集上的实验表明,与其他基线算法相比,我们的算法输出几乎是最好的解决方案,而其运行时间快了几个数量级。
2016-12-03 cs.DS
Fast Maximization of Non-Submodular, Monotonic Functions on the Integer Lattice
整数格上次模函数的优化问题近年来受到广泛关注,但许多应用的目标函数都是非次模的。我们提供了两个近似算法最大化的整数格的基数约束的非子模函数,这些是第一个算法,用于此目的,具有多项式查询的复杂性。我们提出了一个一般的框架,影响力最大化的整数格,概括了以前的作品在这个主题上,我们证明了我们的算法在这种情况下的效率。
2018-05-17 cs.DS
Maximizing Non-Monotone Submodular Functions over Small Subsets: Beyond $1/2$-Approximation
在这项工作中,我们给出了两个新的算法,使用类似的技术(非单调)submodular函数最大化的基数约束。第一个是一个离线的固定参数易处理的算法,保证了$0.539$的所有非负的子模函数的近似。第二种算法适用于随机顺序流模型。它保证了一个$(1/2+c)$近似对称函数,我们补充它表明,没有空间有效的算法可以击败$1/2$的非对称功能。据我们所知,这是第一个可证明的对称和非对称子模函数最大化之间的分离。
2022-04-23 cs.DS
Guarantees of Stochastic Greedy Algorithms for Non-monotone Submodular Maximization with Cardinality Constraint
具有基数约束的次模最大化可以建模各种问题,并且这些问题在实践中通常非常大。对于目标函数单调的情况,已经开发了许多快速近似算法。随机贪心算法(SG)就是这样一种算法,由于其简单、高效和高经验性能而被广泛使用。然而,它的近似保证已被证明只为单调的目标函数。对于非单调目标函数,现有的近似算法相对于针对单调目标函数的快速算法效率较低。在本文中,我们证明了SG(稍加修改)可以实现几乎$1/4$ -近似保证的期望在线性时间,即使目标函数是非单调的。我们的结果提供了一个常数因子的近似算法与最少的预言查询的非单调子模极大化基数约束。实验验证了改进SG的性能。
2020-01-10 cs.DS
Maximizing Monotone Submodular Functions over the Integer Lattice
在一定约束下极大化非负单调次模函数的问题是近十年来研究的热点。在本文中,我们解决的问题,定义在整数格上的函数。假设一个非负单调子模函数$f:\mathbb{Z}_+^n \to \mathbb{R}_+$是通过求值预言机给出的.进一步假设$f$满足收益递减性质,当域是整数格时,这不是子模块性的直接结果。鉴于此,我们设计多项式时间$(1-1/e-ε)$ -近似算法的基数约束,一个多拟阵约束,和背包约束。对于基数约束,我们还提供了一个$(1-1/e-ε)$ -近似算法稍差的时间复杂度,不依赖于收益递减属性。
2016-05-10 cs.DS
Structured Robust Submodular Maximization: Offline and Online Algorithms
约束次模函数最大化已被用于子集选择问题,如选择最翔实的传感器位置。虽然这些模型已经相当流行,解决方案约束次模函数最大化已被用于子集选择问题,如选择最多信息的传感器位置。虽然这些模型已经相当流行,通过这种方法获得的解决方案是不稳定的数据定义的子模函数的扰动。鲁棒子模块最大化已被提出作为一个更丰富的模型,旨在克服这种差异,以及增加建模范围的子模块优化。在这项工作中,我们考虑了结构化组合约束下的鲁棒次模极大化问题,并给出了具有可证明保证的有效算法。我们的方法适用于由单个或多个拟阵,背包以及分布鲁棒性标准定义的约束。我们既考虑了离线设置,其中定义问题的数据是预先已知的,也考虑了在线设置,其中输入数据随着时间的推移而被揭示。对于离线设置,我们给出了一个一般的(近)最佳的双标准近似算法,依赖于新的扩展的经典算法子模最大化。对于在线版本的问题,我们给出了一个算法,返回一个双标准的解决方案与次线性遗憾。
2020-10-13 cs.DS
Non-monotone Submodular Maximization in Exponentially Fewer Iterations
在本文中,我们考虑并行化的应用程序,其目标可以表示为最大化的基数约束下的非单调子模函数。我们的主要结果是一个算法,其近似是任意接近$1/2e$在$O(\log^2 n)$自适应轮,其中$n$是地面集的大小。这是一个指数加速并行运行时间超过任何以前研究的算法约束非单调子模最大化。除了其可证明的保证,该算法在实践中表现良好。具体来说,流量监测和个性化数据汇总应用程序的实验表明,该算法找到的解决方案,其值是竞争力的最先进的算法,同时运行在指数级更少的并行迭代。
2018-07-30 cs.DS
Deterministic (1/2 + ε)-Approximation for Submodular Maximization over a Matroid
研究了拟阵约束下的单调次模函数的极大化问题,给出了一个确定性算法,该算法实现了对该问题的(1/2 + ε)-逼近.该算法是第一个已知的确定性算法,以改善1/2近似比的经典贪心算法证明Nemhauser,Wolsely和Fisher在1978年。
2018-07-15 cs.DS
Profit Maximization in Social Networks and Non-monotone DR-submodular Maximization
本文研究了整数格上非单调DR-子模函数极大化问题。定义了整数格上的函数的次模性质,类似于集合函数的次模性。DR-次模是整数格上函数的进一步扩展的次模概念,它捕获了收益递减性质。这样的函数在机器学习、社交网络、无线网络等中有许多应用。用于子模集函数最大化的技术可以应用于DR-子模函数最大化,例如,双贪心算法具有$1/2$ -近似比,其运行时间为$O(nB)$,其中$n$是基集的大小,$B$是坐标的整数界。在我们的研究中,我们设计了一个$1/2$ -近似二分搜索双贪心算法,我们证明了它的时间复杂度为$O(n\log B)$,显著提高了运行时间。具体地,我们考虑了它在社交网络中的应用,该问题是一个二部模型,目标是最大化产品促销活动的净利润,即影响力收益与促销成本之差。我们证明了目标函数是整数格上的DR-子模。将二分查找双贪心算法应用于该问题,并验证了其有效性。
2022-12-13 cs.DS cs.SI
Deterministic Algorithms for Submodular Maximization Problems
随机化是在计算机科学的许多理论和实践领域中使用的基本工具。我们在这里研究的作用,随机化在该地区的次模函数最大化。在这个领域中,大多数算法是随机的,并且在几乎所有情况下,由当前随机算法获得的近似比优于由已知的确定性算法获得的最佳结果。一般次模函数最大化算法的去随机化似乎很难,因为对函数的访问是通过值预言完成的。例如,这使得应用标准的去随机化技术(如条件期望)变得困难。因此,在这一领域的一个有趣的基本问题是随机化是否本质上是必要的,以获得良好的近似比。在这项工作中,我们给出的证据表明,随机化是没有必要获得良好的算法,提出了一种新的技术去随机化的子模函数最大化的算法。我们的高层次的想法是保持明确的(小)分布在算法的状态,并仔细更新它使用的边缘值从一个合适的线性公式的极值点解决方案。我们在无约束子模最大化和最大化受基数约束的子模函数的两个最新算法上展示了我们的技术。特别是,对于无约束的子模最大化,我们得到了一个最佳的确定性$1/2$ -近似随机化是不必要的,以获得最佳的结果,这种设置。
2015-08-10 cs.DS
A Threshold Greedy Algorithm for Noisy Submodular Maximization
针对噪声查询下的次模最大化,本文提出自适应阈值采样子程序,并据此设计基数、拟阵约束及无约束情形的样本高效算法,逼近值预言机近似保证且经实验验证。
2024-04-09 cs.DS
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
Constrained Submodular Maximization: Beyond 1/e
在这项工作中,我们提出了一个新的算法最大化的非单调子模函数的一般约束。我们的算法找到了一个近似的分数的解决方案,最大化的多线性扩展的功能在一个下封闭的多面体。近似保证值为0.372,这是对统一连续贪心算法[Feldman等人,FOCS 2011]。
2016-08-11 cs.DS
Sparsification of Monotone $k$-Submodular Functions of Low Curvature
由Benczur和Karger开创的图中的切割[STOC'96],稀疏化是一个具有广泛应用的基本主题,已被研究,例如,对于图和超图,在组合和谱设置中,并且具有加法和乘法误差界。Rafiey和Yoshida最近考虑了可分解子模函数的稀疏化[AAAI'22]。我们扩展他们的工作,提出了一个有效的算法的稀疏单调$k$ -次模函数的低曲率。
2023-02-06 cs.DM cs.DS
ResQue Greedy: Rewiring Sequential Greedy for Improved Submodular Maximization
针对基数约束下的子模最大化问题,提出融合集合曲率度量的ResQue Greedy算法,通过曲率感知重构策略修正标准序列贪心的次优决策,在不显著提升复杂度的情况下获得更紧的近似最优界。
2025-05-19 cs.DM cs.DS math.OC
Sensitivity Analysis of Submodular Function Maximization
我们研究了最近引入的想法,最坏大小写敏感度单调子模最大化基数约束$k$,它捕获的程度,输出参数的变化删除的输入中的一个元素。我们发现,对于大类的算法,非平凡的灵敏度的$o(k)$是不可能的,即使有界曲率,这些结果也保持在分布式框架。然而,我们也表明,在制度$k = Ω(n)$,我们可以获得$O(1)$足够低的曲率的灵敏度。
2020-10-08 cs.DS
Maximizing Non-monotone Submodular Set Functions Subject to Different Constraints: Combined Algorithms
研究了约束非单调次模函数的最大化问题,并给出了近似算法,改进了现有算法中的近似因子和简单性.我们的算法结合了现有的局部搜索和贪婪算法。不同的约束,我们研究的确切基数和多背包约束。对于多背包约束,我们实现了一个$(0.25-2ε)$ -因子算法。我们还表明,作为我们的主要贡献,如何使用连续的贪婪过程的非单调函数,因此,获得一个$0.13$因子近似算法最大化任何可解的下单调多面体。连续贪婪过程已被用于最大化下单调多面体\cite{CCPV08}上的光滑单调子模函数。这意味着几个离散问题的0.13近似,如最大化非负子模函数受到拟阵约束和/或多个背包约束。
2016-02-29 cs.DS
Interlaced Greedy Algorithm for Maximization of Submodular Functions in Nearly Linear Time
基于交错两个贪婪过程的思想,提出了一个确定性近似算法,求解基数约束为$k$且大小为$n$的基集上非单调子模函数的最大化问题.该算法使用交错的,阈值贪婪的过程,以获得紧比$1/4 - ε$在$O \left( \frac{n}ε \log \left( \frac{k}ε \right) \right)$查询的目标函数,这提高了比和二次时间复杂度的以前最快的确定性算法为这个问题。该算法的非单调子模最大化,它优于最快的确定性和随机算法在以前的文献中的两个应用程序的上下文中进行验证。
2019-10-24 cs.DS
Improved randomized algorithm for $k$-submodular function maximization
子模性是组合优化中最重要的性质之一,$k$ -子模性是子模性的推广。$k$ -次模函数的最大化需要指数数量的值Oracle查询,并且已经研究了近似算法。对于无约束$k$ -次模极大化,Iwata等人给出了单调函数的随机$k/(2k-1)$ -近似算法和非单调函数的随机$1/2$ -近似算法.本文给出了非单调函数的改进随机算法。我们的算法给出了$k\geq 3$的$\frac{k^2+1}{2k^2+1}$ -逼近。我们还给出了$k=3$的随机$\frac{\sqrt{17}-3}{2}$ -近似算法。我们使用岩田等人和Ward和Wavennovich中使用的相同框架,但概率不同。
2019-07-27 cs.DM cs.DS
Efficient Algorithms for Monotone Non-Submodular Maximization with Partition Matroid Constraint
本文研究了带分划拟阵约束的单调非次模极大化问题。虽然在文献中已经研究了这个问题的推广,我们的工作重点是利用分割拟阵约束的性质(1)提出具有理论界和有效查询复杂度的算法;(2)提供更好的分析理论性能保证的一些现有技术。我们进一步研究了这些算法在两个应用中的性能:提升影响传播和视频摘要。实验表明,我们的算法返回比较结果的国家的最先进的算法,而采取更少的查询。
2022-04-29 cs.DS
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
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
Maximizing a Monotone Submodular Function with a Bounded Curvature under a Knapsack Constraint
考虑了背包约束下单调次模函数的极大化问题。我们表明,对于任何固定的$ε> 0$,存在一个多项式时间算法的近似比$1-c/e-ε$,其中$c \in [0,1]$是(总)曲率的输入函数。对于任何$c \in [0,1]$,该近似比接近$ε$。据我们所知,这是第一个结果的背包约束,结合曲率,以获得比$1-1/e$,这是紧一般的次模函数的近似比。作为我们的结果的应用,我们提出了一个多项式时间算法的预算分配问题的改进的近似比。
2016-07-15 cs.DS
Streaming Submodular Maximization under a $k$-Set System Constraint
The Open University of Israel(以色列开放大学);Yale Institute for Network Science, Yale University(耶鲁大学网络科学研究所);University of Haifa(海法大学)
在本文中,我们提出了一个新的框架,将流算法的单调子模块最大化到流算法的非单调子模块最大化。这种减少很容易导致目前最严格的确定性近似比submodular最大化受$k$ -matchoid约束。此外,我们提出了第一个流算法的单调子模最大化受$k$ -可扩展和$k$ -集系统约束。与我们提出的约简一起,我们分别得到了满足上述约束的子模最大化的$O(k\log k)$和$O(k^2\log k)$近似比。我们广泛评估我们的算法对现有的工作在一系列的实验,包括寻找随机生成的图中的最大独立集,最大化线性函数在社交网络,电影推荐,Yelp位置摘要,Twitter数据摘要的经验性能。
2020-02-09 cs.DS cs.LG
An Almost Optimal Approximation Algorithm for Monotone Submodular Multiple Knapsack
研究了多背包约束下单调次模函数的极大化问题。输入是一组项目$I$,每个项目具有非负权重,以及一组任意容量的箱。此外,我们给出了一个子模,单调和非负的功能$f$的子集的项目。目标是找到箱子中的项目子集$A \subseteq I$的包装,使得$f(A)$最大化。我们的主要结果是一个几乎最优的多项式时间$(1-e^{-1}-\varepsilon)$ -近似算法的问题,任何$\varepsilon>0$。该算法依赖于一种结构化技术,该技术将一般的多背包约束转换为一个约束,在该约束中,箱被划分成指数增加的基数组,每个组由均匀容量的箱组成。我们得出的结果,结合结构的子模块优化技术的背包约束的精细分析。
2021-04-16 cs.DS
Black Box Submodular Maximization: Discrete and Continuous Settings
Yale Institute for Network Science(耶鲁网络科学研究所);Yale University(耶鲁大学);University of Pennsylvania(宾夕法尼亚大学)
在本文中,我们考虑黑盒连续次模最大化问题,我们只能访问的功能值,没有信息的导数提供。对于单调和连续的DR-子模函数,并受到有界凸体约束,我们提出了黑盒连续贪婪,一个导数免费的算法,可证明实现了紧$[(1-1/e)OPT-ε]$近似保证与$O(d/ε^3)$功能评价。然后,我们将我们的结果扩展到随机设置的函数值受到随机零均值噪声。正是通过这种随机推广,我们重新审视离散次模最大化问题,并使用多线性扩展作为离散和连续设置之间的桥梁。最后,我们广泛评估我们的算法的性能,连续和离散submodular目标函数使用合成和真实数据。
2020-03-01 cs.DS cs.LG 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
Multiple Knapsack-Constrained Monotone DR-Submodular Maximization on Distributive Lattice --- Continuous Greedy Algorithm on Median Complex ---
考虑分配格上多阶一致背包约束下单调DR-次模函数的极大化问题。由于分配格是用来表示依赖约束,该问题可以表示一个依赖约束版本的子模最大化问题的集合。我们提出了一个$1 - 1/e$近似算法。为了实现这个结果,我们将连续贪心算法推广到分配格:本文选择一个中值复形作为分配格的连续松弛,定义了它的多重线性扩张,证明了中值复形存在一条特殊的曲线,称为一致线性运动,使得DR-次模函数的多重线性扩张沿正的一致线性运动是凹的,这是连续贪心算法的关键属性。
2019-07-09 cs.DS
Subspace Selection via DR-Submodular Maximization on Lattices
子空间选择问题寻找一个子空间,使目标函数在一定的约束下最大化。这个问题包括几个重要的机器学习问题,如主成分分析和稀疏字典选择问题。通常,这些问题可以通过贪心算法来解决。在这里,我们感兴趣的是为什么这些问题可以通过贪心算法来解决,以及哪些类别的目标函数和约束允许此属性。为了回答这个问题,我们将问题表述为格上的优化问题。然后,我们引入了一类新的函数,方向DR-次模函数,来刻画问题的可逼近性。我们看到,主成分分析,稀疏字典选择问题,这些推广有方向DR-子模块。我们表明,在几个约束条件下,有向DR-子模函数最大化问题可以有效地解决可证明的近似因子。
2018-05-18 cs.DS
A Note on Submodular Maximization over Independence Systems
本文研究了独立系统约束下的次模函数的最大化问题。由于子模函数的广泛适用性,这个问题在文献中已经被广泛研究,在专门的独立系统。对于一般的独立系统,即使当所有的基地的独立系统具有相同的大小,我们表明,对于任何$ε> 0$,问题是很难近似在$(2/n)^{1-ε}$,其中$n$是地面集的大小。在同样的情况下,我们证明了贪心算法在一个额外的温和的额外假设下确实获得了$2/n$的比率。最后,我们给出了$p$ -可扩展独立系统上非单调子模函数最大化的第一个近似线性时间算法。
2019-06-07 cs.DS
Partial-Monotone Adaptive Submodular Maximization
University of Texas at Dallas(德克萨斯大学达拉斯分校);University of North Texas(北德克萨斯大学)
许多序列决策问题,包括基于池的主动学习和自适应病毒式营销,可以制定为一个自适应子模块最大化问题。现有的自适应次模优化问题的研究大多集中在单调和非单调两种情况。具体地说,如果效用函数是单调的和自适应的子模,\cite{golovin2011adaptive}开发了一个贪婪的政策,达到$(1-1/e)$近似比服从基数约束。如果效用函数是非单调的和自适应的子模,\cite{tang2021beyond}表明,一个随机贪婪的政策达到$1/e$近似比服从基数约束。在这项工作中,我们的目标是推广上述结果通过研究部分单调自适应次模极大化问题。为此,我们引入自适应单调性比$m\in[0,1]$的符号来衡量一个函数的单调性程度。我们的主要结果是表明,一个随机贪婪的政策,实现了$m(1-1/e)+(1-m)(1/e)$的近似比,如果效用函数是$m$ -自适应单调和自适应子模。值得注意的是,当分别为$m = 0$和$m = 1$时,该结果恢复了上述$(1-1/e)$和$1/e$近似比。我们进一步扩展我们的结果考虑背包约束。我们表明,基于采样的政策实现了$(m+1)/10$的近似比,如果效用函数是$m$ -自适应单调和自适应子模块。我们的结果的一个重要含义是,即使是一个非单调的效用函数,我们仍然可以实现一个近似比接近$(1-1/e)$,如果这个功能是“接近”的单调函数。这导致许多机器学习应用程序的性能边界…
2022-12-11 cs.DS cs.LG
Beyond Pointwise Submodularity: Non-Monotone Adaptive Submodular Maximization subject to Knapsack and $k$-System Constraints
The University of Texas at Dallas(德克萨斯大学达拉斯分校)
本文研究了带有背包和$k$ -系统约束的非单调自适应次模极大化问题。我们的问题的输入是一组项目,其中每个项目都有一个特定的状态,从一个已知的先验分布。然而,一个项目的状态最初是未知的,必须选择一个项目,以揭示该项目的状态。有一个效用函数是定义在项目和状态上的。我们的目标是顺序选择一组项目,以最大化预期效用。虽然基数约束非单调自适应次模极大化问题在文献中得到了很好的研究,但背包约束或$k$ -系统约束的自适应次模极大化问题是否存在常数近似解仍然是一个悬而未决的问题.事实上,它只解决了点态子模性的额外假设。在本文中,我们删除了点态子模性的共同假设,并提出了第一常数近似解决方案的两种情况。最近的两项研究的启发,非单调自适应子模块最大化,我们开发了一个基于采样的随机算法,实现了一个背包约束的情况下的$\frac{1}{10}$近似,并实现了$\frac{1}{2k+4}$近似比的情况下的$k$系统约束。
2021-09-28 cs.DS cs.LG
Differentially Private Decomposable Submodular Maximization
Khoury College of Computer Sciences, Northeastern University(东北大学胡里计算机科学学院)
研究了可分解子模函数的微分私有约束最大化问题。一个子模函数是可分解的,如果它采取子模函数之和的形式。在基数约束下最大化单调可分解子模函数的特殊情况被称为组合公共项目(CPP)问题[Papadimitriou等人,2008年]。Gupta等人的先前工作。[2010]给出了CPP问题的差分私有算法。我们扩展这项工作的设计差分私人算法的单调和非单调可分解的子模最大化一般拟阵的约束下,具有竞争力的效用保证。我们补充我们的理论界限与实验证明经验的性能,这提高了在一般情况下的子模块最大化的差分私有算法,并接近非私有算法的性能。
2020-05-29 cs.CR cs.DS cs.LG
Deterministic & Adaptive Non-Submodular Maximization via the Primal Curvature
虽然贪心算法长期以来一直被观察到表现良好的各种各样的问题,到目前为止,近似比只知道他们的应用程序的问题,子模块的目标函数$f$。由于许多实际问题具有非子模块性$f$,因此迫切需要设计新的技术来约束非子模块性情况下的贪心算法的性能。我们的主要贡献是引入了一种新的技术,用于估计的贪心算法的最大化单调非减函数的曲率的基础上,$f$不依赖于子模块约束的近似比。我们表明,这种技术减少到经典的$(1 - 1/e)$比率的次模函数。此外,我们开发了一个扩展的自适应贪心算法,它允许应用到非次模随机最大化问题的比率。这显著地扩展了对具有不确定性的不完整数据建模的应用程序的支持。
2018-01-12 cs.DM cs.DS
Maximizing Non-Monotone DR-Submodular Functions with Cardinality Constraints
考虑基数约束下非单调DR-次模函数的极大化问题。收益递减(DR)子模是定义在整数格上的函数的收益递减性质的推广。这种推广可以用来解决许多机器学习或组合优化问题,如最优预算分配,收入最大化等,在这项工作中,我们提出了第一个多项式时间非单调约束最大化的近似算法。我们实现我们的算法的收入最大化问题与现实世界的数据集,以检查其效率和性能。
2017-09-03 cs.AI cs.DS
Using Partial Monotonicity in Submodular Maximization
University of Haifa(海法大学)
在过去的二十年里,次模函数最大化一直是机器学习应用中许多离散优化问题的主力。传统上,子模函数的研究是基于二元函数的性质。然而,这样的属性有一个继承的弱点,即,如果一个算法假设函数具有特定的属性,那么它不会为违反此属性的函数提供保证,即使违反非常轻微。因此,最近的工作开始考虑连续版本的函数属性。其中最重要的(到目前为止)可能是子模比和曲率,它们被广泛地一起和单独研究。集函数的单调性在次模极大化中起着核心作用。然而,尽管有上述所有工作,迄今为止(据我们所知)还没有提出这个属性的连续版本。这是不幸的,因为几乎单调的子模函数经常出现在机器学习应用中。在这项工作中,我们填补了这一空白,定义的单调性比,这是一个连续版本的单调性属性。然后,我们表明,对于许多标准的子模最大化算法,可以证明新的近似保证,依赖于单调性比,从而提高近似比的电影推荐,二次规划和图像摘要的常见机器学习应用。
2022-05-17 cs.DS cs.LG math.OC
Diverse Approximations for Monotone Submodular Maximization Problems with a Matroid Constraint
本文研究拟阵约束下单调子模最大化的多样化解问题,提出两种带权衡参数的贪心算法,并给出目标值与多样性的参数化近似保证。
2023-07-14 cs.DS
Streaming Algorithms for Submodular Function Maximization
我们考虑的问题最大化的非负子模集函数$f:2^{\mathcal{N}} \rightarrow \mathbb{R}^+$受$p$ -matchoid约束的单通道流设置。以前的工作在这方面已经考虑了流算法的模块化功能和单调的子模块化功能。主要结果是对子模函数是{ \em非单调}。我们描述了确定性和随机算法,获得一个$Ω(\frac{1}{p})$ -近似使用$O(k \log k)$ -空间,其中$k$是所需的集的基数上界。该模型假设值预言机访问$f$和成员资格预言机的拟阵定义的$p$ -matchoid约束。
2015-04-29 cs.DS
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
Improved Approximation Algorithms for k-Submodular Function Maximization
本文提出了一个多项式时间的$1/2$ -近似算法,用于极大化非负$k$ -子模函数。这改进了Ward和Krivnoun ~(SODA'14)的$\max\{1/3, 1/(1+a)\}$近似,其中$a=\max\{1, \sqrt{(k-1)/4}\}$ .我们还表明,单调$k$ -次模函数有一个多项式时间$k/(2k-1)$ -近似算法,而任何$\varepsilon>0$一个$((k+1)/2k+\varepsilon)$ -近似算法最大化单调$k$ -次模函数将需要指数许多查询。特别是,我们的硬度结果意味着我们的算法是渐近紧。我们还扩展的方法,以提供常数因子近似算法最大化的斜bisundummodular功能,这是最近推出的bisundummodular功能的推广。
2015-02-26 cs.DS
Fast submodular maximization subject to k-extendible system constraints
随着数据集规模的迅速扩大,在一些应用场景中,已经做出越来越多的努力来开发快速子模最大化算法。本文提出了一个目前最有效的算法,最大化一般非负子模目标函数的$k$ -可扩展系统的约束。结合抽样过程和降低阈值策略,我们的算法抽样降低阈值贪婪算法(SDTGA)获得了对单调子模函数的($p-ε$)和对非单调子模函数的($p(1-p)-ε$)的期望近似保证,并且期望计算复杂度仅为$O(\frac{pn}ε\ln\frac{r}ε)$,其中$r$是可行解的最大大小,$0<p \leq \frac{1}{1+k}$是抽样概率,$0< ε< p$ .若将采样概率$p$固定为$\frac{1}{1+k}$,则得到单调和非单调子模函数的最佳逼近比分别为$(\frac{1}{1+k}-ε)$和$(\frac{k}{(1+k)^2}-ε)$.而$ε$参数的存在是为了在近似比和时间复杂度之间进行权衡。因此,我们的算法可以处理更大规模的子模最大化问题比现有的算法。
2018-11-19 cs.DS
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
Non-monotone submodular maximization under matroid and knapsack constraints
次模函数最大化是组合优化中的一个中心问题,它概括了许多重要的问题,包括有向/无向图和超图中的最大割、某些约束满足问题、最大熵抽样和最大设施位置问题。与次模最小化不同,次模最大化是NP-难的。对于最大化非单调次模函数的问题,Feige、Mirrokni和Vondrák最近开发了一个$2\over 5$ -近似算法\cite{FMV07},然而,他们的算法不处理边约束。本文给出了求多个拟阵或背包约束下非负次模函数最大值的第一个常因子逼近算法。我们强调,我们的结果是对{ \em非单调}次模函数。特别是,对于任何常数$k$,我们提出了一个$({1\over k+2+{1\over k}+ε})$ -近似的子模极大化问题下的$k$拟阵约束,和$({1\over 5}-ε)$ -近似算法,这个问题受到$k$背包约束($ε>0$是任何常数)。对于$k\ge 2$划分拟阵的约束,我们将算法的近似保证改进为${1\over k+1+{1\over k-1}+ε}$.这个想法也给出了一个$({1\over k+ε})$ -近似最大化的{ \em单调}子模函数的$k\ge 2$分区拟阵,这改善了以前最好的已知的保证$\frac{1}{k+1}$。
2009-02-02 cs.CC cs.DS
Regularized Non-monotone Submodular Maximization
在本文中,我们提出了一个彻底的研究最大化正则非单调子模函数受到各种约束,即,$\max \{ g(A) - \ell(A) : A \in \mathcal{F} \}$,其中$g \colon 2^Ω\to \mathbb{R}_+$是非单调子模函数,$\ell \colon 2^Ω\to \mathbb{R}_+$是归一化模函数,并且$\mathcal{F}$是约束集。虽然目标函数$f := g - \ell$仍然是次模的,但$f$可能潜在地呈现负值的事实阻止了用于次模最大化的现有方法为正则化的次模最大化问题提供恒定的近似比。为了克服这个障碍,我们提出了几个算法,可以提供一个相对较弱的近似保证最大化正则非单调子模函数。更具体地说,我们提出了一个连续的贪婪算法放松最大化$g - \ell$的拟阵约束。然后,管道舍入过程可以产生积分解$S$,使得$\mathbb{E} [g(S) - \ell(S)] \geq e^{-1}g(OPT) - \ell(OPT) - O(ε)$。此外,我们提出了一种更快的算法,用于在基数约束下最大化$g - \ell$,该算法可以使用$O(\frac{n}{ε^2} \ln \frac 1ε)$值Oracle查询输出带有$\mathbb{E} [g(S) - \ell(S)] \geq (e^{-1} - ε) g(OPT) - \ell(OPT)$…
2021-03-18 cs.DS
On Optimal Approximations for $k$-Submodular Maximization via Multilinear Extension
本文提出 $k$-子模函数的多重线性扩展及统一的 Frank-Wolfe 型框架,适用于单调与非单调函数及多种约束,在带背包约束的单调 $k$-子模最大化问题上实现了渐近最优的 $1/2$-近似,超越先前结果。
2023-09-11 cs.DM cs.DS
Streaming Non-monotone Submodular Maximization: Personalized Video Summarization on the Fly
需要对快速产生的数据流进行实时的分析(例如,视频和图像流)激发了流算法的设计,该流算法可以有效地从“动态”的大量数据中提取和总结有用的信息。此类问题通常可以简化为在各种约束下最大化子模集函数。虽然最近已经开发了用于单调子模最大化的高效流传输方法,但是在诸如视频摘要的广泛应用中,底层效用函数是非单调的,并且通常存在对优化问题施加的各种约束以考虑隐私或个性化。我们开发的第一个有效的单通流算法,流本地搜索,任何流单调子模块最大化算法与近似保证$α$下的独立系统${\cal I}$的集合,提供了一个恒定的$1/\big(1+2/\sqrtα+1/α+2d(1+\sqrtα)\big)$近似保证最大化的非单调子模块功能下的交集${\cal I}$和$d$背包约束。我们的实验表明,对于视频摘要,我们的方法运行速度比以前的工作快1700倍以上,同时保持几乎相同的性能。
2017-12-26 cs.DS cs.IR