Daily Arxiv

Esta página recopila y organiza artículos sobre inteligencia artificial publicados en todo el mundo.
La información aquí presentada se resume utilizando Google Gemini y el sitio se gestiona sin fines de lucro.
Los derechos de autor de los artículos pertenecen a sus autores y a las instituciones correspondientes; al compartir el contenido, basta con citar la fuente.

Cubriendo algunas restricciones y aplicaciones submodulares

Created by
  • Haebom

Autor

Tanvi Bajpai, Chandra Chekuri, Pooja Kulkarni

Describir

Este artículo considera el problema de manejar múltiples restricciones semimodulares. Dado un conjunto finito N, una función de costo c: N → ℝ+, r funciones semimodulares monótonas f₁, f₂, …, fᵣ en N, y requisitos b₁, b₂, …, bᵣ, el objetivo es encontrar un subconjunto de costo mínimo S ⊆ N tal que fᵢ(S) ≥ bᵢ (1 ≤ i ≤ r). Para r = 1, este es el conocido problema de cubrimiento de conjuntos semimodulares. En nuestro trabajo previo \cite{chekuri2022covering}, desarrollamos un algoritmo de aproximación de doble criterio para r grandes y un algoritmo de aproximación para el importante caso especial donde cada fᵢ es una función de cubrimiento ponderada. Estos modelos son bastante generales e incluyen muchos casos especiales específicos e interesantes. La razón de aproximación para estos problemas es inevitablemente al menos Ω(log r) cuando r es parte de la entrada. En este artículo, inspirados por aplicaciones recientes, consideramos el caso donde r es una constante fija y obtenemos dos resultados principales. Al tratar con múltiples restricciones semimodulares, obtenemos un algoritmo de aproximación de doble criterio aleatorio que genera un conjunto S tal que fᵢ(S) ≥ (1-1/e^α -ε)bᵢ y E[c(S)] ≤ (1+ε)α · OPT para cada i ∈ [r] para un entero dado α ≥ 1. Segundo, cuando fᵢ es una función de cobertura ponderada de un sistema de conjunto cerrado eliminado, obtenemos un LP natural para la instancia de cobertura del conjunto base, que produce una aproximación de (1+ε)(e/(e-1))(1+β), donde β es la razón de aproximación. Estos resultados demuestran que para un valor r fijo, podemos obtener una aproximación casi idéntica a la que se puede lograr cuando r = 1. Observamos varias aplicaciones que se desprenden fácilmente de estos resultados generales y anticipamos muchas más aplicaciones en el futuro.

Takeaways, Limitations

Takeaways: Proporciona un algoritmo de aproximación casi óptimo para problemas con un número fijo de restricciones semimodulares. Alcanza ratios de aproximación comparables a los del caso r = 1. Mejora aún más el ratio de aproximación para casos especiales, como las funciones de cobertura ponderadas. Se demuestra su aplicabilidad a una amplia gama de aplicaciones.
Limitations: El algoritmo es aleatorio. Para el algoritmo de aproximación de doble criterio, es posible que el requisito ((1-1/e^α -ε)bᵢ) no se cumpla por completo. La razón de aproximación depende de una constante incluso cuando r es fijo. El tiempo de ejecución del algoritmo es insuficiente.
👍