Maximizing a Submodular Function with Viability Constraints
研究了具有生存约束的单调次模函数的极大化问题。这个问题起源于计算生物学,在计算生物学中,我们给出了一组物种的系统发育树和一个有向图,即所谓的食物网,编码这些物种之间的生存约束。这些食物网通常具有恒定的{深度}。我们的目标是选择一个子集的$k$物种,满足生存能力的限制,并具有最大的系统发育多样性。由于该问题是NP难的,我们研究了近似算法。在深度为常数的情况下,给出了第一常数因子近似算法。其近似比为$(1-\frac{1}{\sqrt{e}})$。该算法不仅适用于具有生存约束的系统发生树,而且适用于具有生存约束的任意单调子模集函数。第二,我们表明,没有$(1-1/e+ε)$ -近似算法,我们的问题设置(即使是添加剂功能),并没有近似算法,这个设置略有扩展。
2016-11-17 cs.DS
FPT Approximation Schemes for Maximizing Submodular Functions
我们调查的存在性近似算法的子模函数的最大化,运行在固定参数易处理(FPT)的时间。给定非减子模集函数$v: 2^X \to \mathbb{R}$,目标是从$X$中选择$K$元素的子集$S$,使得$v(S)$最大化。我们确定三个属性的集函数,称为$p$ -可分性属性,我们认为,许多现实生活中的问题可以表示为最大化的子模块,$p$ -可分离的功能,与低的参数值$p$。我们提出FPT近似方案的最小化和最大化的问题的变体,几个参数,取决于优化的集函数,如$p$和$K$的特性。我们确认,我们的算法是适用于广泛的一类问题,特别是从计算社会选择的问题,如项目选择或获胜者确定在几个多赢家选举系统。
2021-04-20 cs.DS
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
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
On Maximizing Sums of Non-monotone Submodular and Linear Functions
我们研究了Bodek和Feldman [BF 22]定义的正则无约束子模最大化(RegularizedUSM)问题。在这个问题中,给定一个非单调非负子模函数$f:2^{\mathcal N}\to \mathbb R_{\ge 0}$和一个线性函数$\ell:2^{\mathcal N}\to \mathbb R$在同一个基集$\mathcal N$上,目标是输出一个集合$T\subseteq \mathcal N$,近似地使和$f(T)+\ell(T)$最大化。具体地,如果算法输出一组$T$使得$\mathbb E[f(T)+\ell(T)]\ge \max_{S\subseteq \mathcal N}[α\cdot f(S)+β\cdot \ell(S)]$,则该算法被称为为RegularizedUSM提供$(α,β)$近似。我们还研究了$S$和$T$受到拟阵约束的设置,我们称之为正则化约束子模块最大化(RegularizedCSM)。对于RegularizedUSM和RegularizedCSM,我们为非正$\ell$、非负$\ell$和无约束$\ell$的情况提供了改进的$(α,β)$近似算法。特别是,对于无约束的$\ell$的情况下,我们是第一个提供非平凡的$(α,β)$ -RegularizedCSM的近似,和$α$,我们得到的RegularizedUSM优于[BF …
2022-05-31 cs.DS
Maximizing Symmetric Submodular Functions
对称次模函数是一类重要的次模函数,它涵盖了图和超图的割函数等许多有趣的情形。这类函数的最大化受到各种约束很少受到关注,目前的研究,不像类似的最小化问题已被广泛研究。在这项工作中,我们确定了几个次模最大化问题,其中一个可以得到一个更好的近似对称目标比一般次模函数的最先进的近似。我们首先考虑最大化一个非负对称次模函数$f\colon 2^\mathcal{N} \to \mathbb{R}^+$服从下单调可解多面体$\mathcal{P} \subseteq [0, 1]^\mathcal{N}$的问题。对于这个问题,我们描述了一个算法产生的分数值至少$0.432 \cdot f(OPT)$,其中$OPT$是最佳的积分解决方案的解决方案。我们的第二个结果考虑了非负对称次模函数$f\colon 2^\mathcal{N} \to \mathbb{R}^+$的问题$\max \{f(S) : |S| = k\}$。对于这个问题,我们给出了一个近似比,它依赖于值$k / |\mathcal{N}|$,并且总是至少为$0.432$。我们的方法也可以适用于非负非对称次模函数,在这种情况下,它产生$1/e - o(1)$近似,改善了最好的已知结果为这个问题。对于无约束最大化的非负对称子模函数,我们描述了一个确定性的线性时间$1/2$近似算法。最后,我们给出了一个$[1 - (1 - 1/k)^{k…
2016-04-17 cs.DS
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
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
Maximizing Submodular or Monotone Approximately Submodular Functions by Multi-objective Evolutionary Algorithms
Nanjing University(南京大学);Southern University of Science and Technology(南方科技大学)
进化算法是一种受自然启发的通用优化算法,在解决各种实际优化问题中表现出了良好的性能。在过去的二十年中,有希望的结果上的运行时间分析(一个重要的理论方面)的EA已经获得,而他们中的大多数集中在孤立的组合优化问题,这并不反映通用的性质EA。为了对进化算法的行为提供一个一般的理论解释,我们需要研究它们在一般组合优化问题上的性能。据我们所知,唯一的结果朝着这个方向是可证明的良好的近似保证EA的最大化单调次模函数与拟阵约束的问题类。这项工作的目的是促进这一研究路线。考虑到许多组合优化问题涉及非单调或非次模目标函数,本文研究了一般问题类:带/不带尺寸约束的最大化次模函数和带尺寸约束的最大化单调近似次模函数。我们证明了一个名为GSEMO-C的简单多目标EA通常可以在多项式预期运行时间内实现良好的逼近保证。
2022-11-28 cs.AI cs.CC cs.DS
Maximizing diversity over clustered data
最大多样性旨在从集合中选择多样化的高质量对象集合,这是一个基本问题,并且具有广泛的应用,例如,在网络搜索中。均匀或分区拟阵约束下的多样性自然描述了有用的基数或预算要求,并允许简单的近似算法。然而,当应用于集群数据时,流行的算法,如迭代地挑选对象和执行本地搜索,失去了对最大集群内多样性的近似保证,因为它们无法以全局方式优化目标。我们提出了一个算法,greetly增加了一对对象,而不是一个单一的,并达到一个常数的近似因子聚类数据。我们进一步将算法推广到单调、次模质量函数的情形,并在一个划分拟阵约束下。我们还设计了一种技术,使我们的算法的可扩展性,并在路上,我们得到了修改,在实践中提供更好的解决方案,同时保持理论上的近似保证。我们的算法实现了出色的性能,与合成和真实世界数据集的混合中的强基线相比。
2021-04-10 cs.DS
Maximizing Social Welfare in Score-Based Social Distance Games
本文提出基于可定制评分向量的社交距离博弈效用函数,证明在树状网络上可高效计算社会福利最大化联盟划分,并扩展至纳什稳定与个体理性联盟。
2023-07-11 cs.DS cs.GT
Maximizing Social Welfare in Score-Based Social Distance Games
该研究针对基于得分的社会距离博弈,证明树状网络上福利最大化联盟划分的可解性,提出特定场景下的高效算法,并将结果扩展至纳什稳定与个体理性联盟计算,体现了该效用函数的优势。
2023-12-12 cs.DS cs.GT
Maximizing Sums of Non-monotone Submodular and Linear Functions: Understanding the Unconstrained Case
受实际应用的启发,最近的工作考虑了子模函数$g$和线性函数$\ell$的和的最大化。几乎所有这样的作品,到目前为止,只研究了特殊情况下,这个问题,其中$g$也保证是单调的。因此,在本文中,我们系统地研究这个问题的最简单的版本,其中$g$是允许的非单调,即无约束的变体,我们称之为正则无约束次模最大化(RegularizedUSM)。我们的主要算法结果是一般RegularizedUSM的第一个非平凡保证。对于RegularizedUSM的特殊情况,其中线性函数$\ell$是非正的,我们证明了两个不可逼近的结果,表明这种情况下的算法结果暗示由以前的作品是不远的最佳。最后,我们重新分析了已知的双贪心算法,以获得改进的保证RegularizedUSM的特殊情况下,其中的线性函数$\ell$是非负的,我们补充这些保证表明,这是不可能获得(1/2,1)-近似这种情况下(尽管直观的参数表明,这种近似保证是自然的)。
2022-04-07 cs.DM cs.DS
Maximizing social welfare among EF1 allocations at the presence of two types of agents
研究将不可分割物品公平分配给两类效用函数智能体以最大化EF1分配的社会福利,提出了改进的常数比近似算法,并在特定情况下证明了其紧致性。
2025-09-11 cs.DS cs.GT
Fast and Private Submodular and $k$-Submodular Functions Maximization with Matroid Constraints
Simon Fraser University(西蒙菲莎大学);National Institute of Informatics(信息科学研究所)
在过去的十年中,极大化非负单调次模函数的问题得到了广泛的研究,并提出了一系列有效的近似算法。许多机器学习问题,包括数据摘要和影响力最大化,可以很自然地建模为最大化单调子模函数的问题。然而,当此类应用程序涉及有关个人的敏感数据时,应解决其隐私问题。本文在差分隐私框架下研究了拟阵约束下的单调次模函数的最大化问题。我们提供了$(1-\frac{1}{\mathrm{e}})$ -近似算法,它改进了以前的结果在近似保证。在我们的算法中,这几乎是用立方数量的函数求值来完成的。此外,我们研究了$k$ -子模块性,子模块性的一个自然推广。我们给第一个$\frac{1}{2}$近似算法,保持差分隐私最大化单调$k$ -子模函数拟阵约束。近似比是渐近紧的,并获得了几乎线性数量的功能评估。
2020-06-28 cs.CR cs.DM cs.DS
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
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
A Parallel Double Greedy Algorithm for Submodular Maximization
Boston University(波士顿大学);Northeastern University(东北大学)
研究了极大化非负次模函数问题的并行算法。我们的主要结果是一个算法,实现了接近最佳的$1/2 -ε$近似使用$O(\log(1/ε) / ε)$并行轮的功能评估。我们的算法是基于一个连续的双贪心算法的Buchbinder等人。实现最佳的$1/2$近似的顺序设置。我们的算法更普遍地适用于最大化连续递减收益(DR)函数的问题。
2018-12-04 cs.DS cs.LG
GreedyML: A Parallel Algorithm for Maximizing Constrained Submodular Functions
Purdue University(普渡大学);Pacific Northwest National Lab(西北太平洋国家实验室)
针对分布式 RandGreedi 单累积步骤的内存与瓶颈问题,本文提出多累积步骤的 GreedyML 并行算法,并在百万级数据集上验证其可扩展性、速度与近似质量。
2025-02-15 cs.DC cs.DS cs.LG