Adaptive Threshold Continuous Greedy: Skalierbare Submodulare Optimierung

In der Welt der kombinatorischen Optimierung ist die Maximierung submodularer Funktionen unter Matroid-Beschränkungen ein zentrales Problem, das in Bereichen wie Sensorik, Datenzusammenfassung, aktivem Lernen und Ressourcenallokation Anwendung findet. Traditionell liefert der sequentielle Greedy-Algorithmus lediglich eine ½‑Approximation, weil Entscheidungen unveränderlich getroffen werden. Der Continuous Greedy-Ansatz erreicht dagegen die optimale (1 – 1/e)-Approximation, verlangt jedoch eine zunehmend dichte Entscheidungsvariable, die dazu führt, dass Agenten fast jedes Element des Grundsatzes mit Feature‑Embeddings austauschen müssen.

Die neue Methode ATCG – Adaptive Thresholded Continuous Greedy – löst dieses Problem elegant. Sie steuert die Gradientenberechnungen über einen pro‑Partitionen Fortschrittsquotienten ηi und erweitert das aktive Set eines Agenten nur dann, wenn aktuelle Kandidaten nicht genügend marginalen Gewinn liefern. Auf diese Weise wird die Menge der tatsächlich übertragenen Feature‑Embeddings direkt begrenzt.

Die theoretische Analyse liefert eine krümmungsbasierte Approximationsgarantie mit dem effektiven Faktor τeff = max{τ, 1 – c}. Dieser Wert interpoliert zwischen der Grenzbedingung der Threshold‑Methode und dem Niedrig‑Krümmungsfall, in dem ATCG die Leistung von Continuous Greedy exakt reproduziert.

Experimentell wurde ATCG an einem ausgewogenen Prototypenauswahlproblem auf einer Teilmenge des CIFAR‑10‑Tierdatensatzes getestet. Die Ergebnisse zeigen, dass ATCG Zielwerte liefert, die mit denen des vollständigen Continuous Greedy vergleichbar sind, dabei jedoch die Kommunikationslast durch adaptive aktive‑Set‑Erweiterung deutlich reduziert.