적응형 서브모듈러리티 이론과 활성 학습 및 확률 최적화 적용

부분 관측 하에서 불확실한 결과에 따라 적응적으로 결정을 내려야 하는 확률 최적화 문제는 근본적이면서도 해결이 어려운 과제이다. 본 논문에서는 서브모듈러 집합 함수 개념을 적응형 정책으로 일반화한 ‘적응형 서브모듈러리티’를 제시한다. 이 성질을 만족하는 문제에 대해서는 단순한 적응형 탐욕 알고리즘이 최적 정책과 경쟁 가능한 성능을 보장함을 증명한다. 또한, 적응형 서브모듈러리티는 확률적 최대화와 커버리지 문제 모두에 대해 성능 보장을 제공하며, 지연 평가(lazy evaluation)를 활용해 탐욕 알고리즘의 실행 시간을 크게 단축할 수 있다. 센서 배치, 바이럴 마케팅, 활성 학습 등 다양한 분야에서 나타나는 적응형 서브모듈러 목표들을 사례로 제시하고, 해당 문제들에 적응형 서브모듈러리티를 입증함으로써 기존 결과를 특수 경우로 복원하고 근사 보장을 개선하며 자연스러운 일반화를 다룰 수 있음을 보여준다.