Minimum-Risk Maximum Clique Problem
-
Maciej Rysz, Pavlo A. Krokhmal, and Eduardo L. Pasiliao
-
Dynamics of Information Systems: Algorithmic Approaches 2013
概要
-
最小危険最大クリーク問題
-
各頂点には費用/損失を表す確率変数
-
特定の危険尺度で危険最小のクリークを見つけたい
-
Erdős–Rényiグラフで実験
導入
危険回避グラフ理論的問題
-
Xi: 頂点iに紐づく確率変数
-
危険尺度ρ
-
$$ \min_{S \subseteq V, w} \rho\left( \sum_{i \in S} w_i X_i \right) $$
-
$$ s.t. \sum_{i \in S} w_i = 1, w_i \geq 0, S[G] \in {\cal Q}_G $$
-
S: 性質Qを満たす部分集合
-
wi: この重みにしたがって頂点を選ぶ
重み?--センサ配置の例
-
センサの質: センサの生きている時間
-
センサ間リンク: 情報共有→精度向上
-
予算(電力供給)をセンサに配分,これが重み
-
情報をフルに共有して,情報損失を最小化したいお
Coherent危険尺度
Value-at-Risk (VaR)
-
損失分布のα∈(0,1)分位点
-
VaR_α(X) = ifn{η | Pr[X≦η]≧α}
-
一般に非凸
Coherent性
-
(A1) 単調性 X≦Y⇒ρ(X)≦ρ(Y)
-
(A2) 劣加法性 ρ(X+Y)≦ρ(X)+ρ(Y)
-
(A3) 正斉次方程式 ∀λ>0 ρ(λX)=λρ(X)
-
(A4) 平衡移動普遍性 ∀α∈ℝ ρ(X+a)=ρ(X)+a
-
悲しい: 別に上の性質からρを構成付けるとかではない
-
畳み込み(? convolusion)でρを表現
-
φ: X→ℝ
-
(A1)-(A3)を満たす
-
φ(η)>η (η>0)
-
ρ(X)=min η+φ(X-η)
Conditional Value-at-Risk (CVaR)
-
$$ \mathrm{CVaR}_\alpha(X) = \min_{\eta \in \mathbb{R}} \eta + \frac{1}{1-\alpha} \mathbb{E}[(X-\eta)^+] $$
-
$$ = \mathbb{E}[X \mid X \geq \mathrm{VaR}_\alpha(X)] $$
危険回避最大クリーク問題
-
少し目的関数を一般化して
-
ρ(X_G(S;w))
-
シナリオNがあって,シナリオs∈NでのXiの値がXiみたいな感じ
Isolated Risk Exposures
-
X_G(S;w) = Σ_i∈S wi*Xi
-
簡単にMIPでかける
-
CVaRの表現を変えてもOK
Neighbor-Dependent Risk Exposures
-
$$ X_G(S;w) = \sum_{i \in S} \left( w_i X_i + \sum_{j \in S-i} \theta_{ij}w_j X_i \right) $$
-
θ_ij: iからjへのバクロ,適当に1/|V|とかする
-
少し頑張ってMIP
-
命題
-
Sが大きい方が危険小(単調性)
-
∴最適解は極大クリークになる
実験…省略
まとめ
-
この辺りのはどういう点が評価されるのか分からないですぅ
CVaR 不確実性グラフ 極大クリーク
2015/07/01 13:39
最終更新:2015年07月01日 13:47