Lazier Than Lazy Greedy
-
Baharan Mirzasoleiman, Ashwinkumar Badanidiyuru, Amin Karbasi, Jan Vondrak, Andreas Krause
-
CoRR
-
AAAI-14に出したけど落ちたらしい
-
このメンバーは劣モジュラ最大化マンっぽい
-
Andreas Krauseのサーベイがあったり,KDD14,SODA14に採択論文がある
概要
-
非負単調劣モジュラ関数最大化は関数をO(nk)回評価しないといけない
-
Lazy Greedyとかもあるけど計算量は謎
-
O(nlog1/ε)回の評価で1-1/e-ε近似の解を出力するRandomizedアルゴリズムを提案
-
実験的にもGood
Rand-Greedy
-
目的関数f:2^V→R+
-
A←∅
-
以下をk回繰り返す
-
R←V\Aからs=(n/k)log(1/ε)個の要素をサンプリング
-
A << argmax_a∈R Δ(a|A)
-
fの呼び出しは自明にnlog1/ε回
-
Rから要素を選択するときに,Lazy Greedyが使える
実験
-
機械学習の何かに適用: nonparametric learningとexemplar-based clustering
比較対象
-
Lazy-Greedy: 上界を使った枝刈り
-
Sample-Greedy: 確率pでサンプリングしてLazy-Greedy
-
Threshold-Greedy: [Badanidiyuru, Mirzasoleiman, Karbasi, Krause. KDD'14]
-
Multi-Greedy: [Wei, Iyer, Bilmes. ICML'14]
結果
-
ぱっと見
-
精度:
-
Lazy-Greedyが最強(当たり前)
-
他の比較対象はそんなによくなさそう
-
Rand-Greedyはεの最小値が実験ごとに異なるので何ともいえないが,よさげ
-
計算回数
-
εを小さく0.001とかにしてもそれほど増えない
-
RandはLazyに比べて3~10倍位速い?
解析
-
補題
-
今の暫定解がAとする
-
Rand-Greedyの1ステップを適用後のゲインの期待値は
-
$$ \frac{1-\epsilon}{k}\sum_{a \in A^* \setminus A}\Delta(a\mid A) $$
-
証明のスケッチ
-
R∩(A*\A)≠∅となる確率を求めれば良い
-
(1-ほげ)^sの形になり,exp(-ほげ)で抑える
-
ちょっと変形すれば
-
Pr[R∩(A*\A)≠∅]≧(1-ε)|A*\A|/k
-
R∩(A*\A)な時は,A*\Aの要素を一様に含むので
-
E[Δ(a|A)]≧Pr[R∩(A*\A)≠∅]×(A*\Aに関するゲインの平均)
-
定理の証明
-
ゲインについて示したので後は元のGreedyに似た感じ
まとめ
-
滅茶苦茶シンプルでワ↓ロ↑タ↑
-
Related workはチェックしておこう
-
SODAのは比較なしかな?
CoRR submodular 良
2014/10/06
最終更新:2014年10月06日 21:57