강인하고 적응적인 순차 서브모듈러 최적화

본 논문은 자원 제약이 존재하는 제어·추정·머신러닝 응용 분야에서, 선택된 센서·액추에이터·데이터가 매 시점마다 악의적인 공격이나 고장으로 인해 일부가 제거되는 상황을 고려한 새로운 최적화 문제를 제시한다. 기존 연구들은 주로 “실패가 없는” 환경에서 서브모듈러 목표함수 f를 최대화하는 문제를 다루었으며, 이 경우 greedy 알고리즘이 1/2 이상의 근사 비율을 보장한다는 결과가 알려져 있다. 그러나 실제 시스템에서는 DoS 공격, 센서 고장, 통신 차단 등으로 인해 선택된 요소가 갑자기 사라지는 경우가 빈번히 발생한다. 이러한 현실을 반영하기 위해 저자들은 **Robust Sequential submodular Maximization (RSM)** 문제를 정의한다. RSM은 T 단계에 걸쳐 각 단계 t에서 선택 집합 Aₜ (|Aₜ|=αₜ)를 먼저 정하고, 그 뒤에 공격자(또는 고장)가 최악의 경우 βₜ개의 요소 Bₜ⊆Aₜ를 제거한다. 최종 목표는 남은 집합 A₁\B₁,…,A_T\B_T에 대해 f를 최대화하는 것이다. 이는 방어자와 공격자가 완전 정보를 공유하며 번갈아 행동하는 완전 정보 게임으로 볼 수 있다. 이 문제는 일반적인 서브모듈러 최적화보다 더 복잡하며, 기존의 다항시간 알고리즘이 존재하지 않는다. 이에 저자들은 **Robust and Adaptive Maximization (RAM)** 라는 새로운 알고리즘을 제안한다. RAM은 매 단계 t에서 두 부분 집합 Sₜ,₁과 Sₜ,₂를 구성하고, Aₜ=Sₜ,₁∪Sₜ,₂ 로 정의한다. Sₜ,₁은 βₜ개의 가장 가치가 높은 요소들을 미리 선택해 공격자가 제거할 가능성이 큰 “미끼” 역할을 수행한다. Sₜ,₂는 남은 αₜ‑βₜ개의 요소를 greedy 방식으로 선택한다. 구체적으로, 현재까지 관측된 A₁\B₁,…,Aₜ₋₁\Bₜ₋₁와 결합했을 때 f의 증가량이 가장 큰 요소를 반복적으로 추가한다. 이 과정은 전통적인 서브모듈러 greedy와 동일한 복잡도 O(|Vₜ|·αₜ)를 유지한다. RAM의 핵심 이론적 기여는 두 가지 경계 제공이다. 첫째, **사전(a priori) 경계**는 곡률(curvature)과 서브모듈러 비율을 이용해 알고리즘 실행 전 최악 상황에서의 근사 비율을 계산한다. 여기서 사용되는 곡률은 Conforti‑Cornuéjols가 정의한 κ와 Sviridenko‑et‑al.이 제시한 ρ(서브모듈러 비율)이다. 둘째, **사후(a posteriori) 경계**는 실제 실행 중 관측된 Bₜ에 기반해 실시간으로 더 타이트한 상한을 제공한다. 특히, 사후 경계는 경우에 따라 최적(optimal)이라고 증명되며, 동일한 문제 클래스에서 어떠한 다항시간 알고리즘도 이보다 더 좋은 보증을 제공할 수 없음을 의미한다. 이론적 분석 외에도 저자들은 다양한 시뮬레이션을 수행하였다. 첫 번째 시나리오는 UAV가 제한된 온보드 처리 능력으로 인해 매 순간 몇 개의 센서만 사용할 수 있는 **센서 스케줄링** 문제이다. 두 번째는 무선 센서 네트워크에서 이동 목표를 추적하기 위해 매 시간 몇 개의 센서를 활성화하는 **목표 추적** 문제이며, 세 번째는 다수 로봇이 데이터를 전송할 때 대역폭 제한으로 인해 일부 로봇만 선택되는 **데이터 전송 스케줄링** 문제이다. 각 시나리오에서 βₜ를 다양하게 설정하고, (i) 최악의 공격(공격자가 가장 큰 기여 요소를 제거), (ii) 무작위 공격, (iii) 탐욕적인 공격 등 세 종류의 실패 모델을 적용하였다. 실험 결과는 다음과 같다. RAM은 브루트포스 최적 해와 거의 동일한 목표값을 달성했으며, 특히 βₜ가 αₜ에 가까워질수록 기존 greedy(실패 없는 경우)보다 현저히 높은 성능을 보였다. 무작위 및 탐욕적인 공격에 대해서도 RAM은 목표값이 크게 감소하지 않았으며, 사후 경계가 실제 얻어진 목표값과 매우 근접함을 확인했다. 또한, RAM의 실행 시간은 기존 greedy와 같은 차수이며, 메모리 사용량도 동일 수준이었다. 논문의 마지막 부분에서는 기존 연구와의 차별점을 정리한다. 기존의 **단일 단계(β₁) 강인 최적화**는 β₁가 제한된 경우에만 적용 가능했으며, 다단계 적응형 전략은 없었다. 또한, **비적응형 메모리리스 방법**은 과거 실패 이력을 전혀 활용하지 못했다. 반면, RAM은 **다단계, 적응형, 그리고 어떠한 βₜ에도 견고**한 특성을 동시에 만족한다. 이와 더불어, 곡률 기반 두 종류의 경계 제공은 이론적 보증을 실용적으로 활용할 수 있게 만든다. 결론적으로, 본 논문은 순차적인 자원 제약 환경에서 악의적인 실패에 대비한 서브모듈러 최적화 문제를 최초로 공식화하고, 실시간 적응성을 갖춘 다항시간 알고리즘 RAM을 제시함으로써, IoT, 자율 로봇, 스마트 그리드 등 다양한 사이버‑물리 시스템에 적용 가능한 강인 최적화 프레임워크를 제공한다.