Neue Theorie: γ-weakly θ-up-concave – Linearisiertes Nicht-Convexes Optimieren

Optimieren monotone, nicht-konvexer Funktionen stellt ein zentrales Problem in maschinellem Lernen und kombinatorischer Optimierung dar. In einer neuen Arbeit wird die Bedingung γ-weakly θ-up-concavity vorgestellt, die als erste‑Order‑Kriterium eine breite Klasse solcher Funktionen abdeckt.

Die neue Bedingung vereint bisher getrennte Klassen – DR‑submodulare Funktionen und One‑Sided Smooth (OSS) Funktionen – unter einem gemeinsamen Rahmen. Damit entsteht ein starkes, einheitliches Konzept, das die Analyse und Lösung dieser Probleme erheblich vereinfacht.

Der zentrale theoretische Beitrag zeigt, dass γ‑weakly θ‑up‑concave Funktionen upper‑linearizable sind: Für jeden zulässigen Punkt lässt sich ein linearer Surrogatfunktion konstruieren, deren Gewinn den ursprünglichen nichtlinearen Zielfunktionswert bis zu einem konstanten Faktor annähert. Dieser Faktor, der nur von γ, θ und der Geometrie des zulässigen Bereichs abhängt, liefert eine klare Messgröße für die Approximation.

Durch diese Linearisierbarkeit ergeben sich sofortige, einheitliche Approximationsergebnisse für eine Vielzahl von Problemen. Dazu gehören Offline‑Optimierung sowie statische und dynamische Regret‑Grenzen in Online‑Umgebungen, die über Standard‑Reduktionen auf lineare Optimierung zurückgeführt werden können.

Die vorgestellte Methodik erreicht den optimalen Approximationskoeffizienten für die Maximierung DR‑submodularer Funktionen und verbessert die bestehenden Koeffizienten für OSS‑Optimierung, insbesondere bei Matroid‑Beschränkungen. Damit eröffnet die Arbeit neue Perspektiven für effiziente Algorithmen in Bereichen, die bislang von der Nicht‑Konvexität erschwert wurden.