Neue Methode reduziert additive Fehler bei subadditiven Mengenfunktionen

Subadditive Mengenfunktionen sind in der rechnerischen Ökonomie, bei kombinatorischen Auktionen und in KI-Anwendungen wie interpretierbarem Maschinellem Lernen von zentraler Bedeutung. Um eine solche Funktion zu definieren, muss man Werte für eine exponentiell große Zahl von Teilmengen zuweisen – ein Prozess, der in der Praxis oft sehr ressourcenintensiv ist, insbesondere wenn die Werte aus externen Quellen wie dem Retraining von Modellen stammen.

Ein einfaches Auslassen bestimmter Werte führt zu Mehrdeutigkeiten, die sich besonders dann verstärken, wenn die unvollständige Funktion weiter optimiert werden muss. Während deterministische Wertabfragen die Multiplikative Approximation subadditiver Funktionen nicht ermöglichen, untersucht diese Arbeit die Möglichkeit, eine unbekannte subadditive (oder eine Teilmenge davon) Funktion mit einem additiven Fehler zu approximieren – das Ziel ist es, den Abstand zwischen minimalen und maximalen Vollständigungen effizient zu verkleinern.

Die Ergebnisse lassen sich in drei Hauptbereiche gliedern: Erstens werden minimale und maximale Vollständigungen verschiedener Funktionsklassen eingehend analysiert und ihr Abstand bestimmt. Zweitens entwickeln die Autoren Verfahren, um diesen Abstand zu minimieren, indem zusätzliche Teilmengenwerte sowohl offline als auch online offengelegt werden. Drittens demonstrieren sie die Leistungsfähigkeit der Algorithmen in praktischen Szenarien durch umfangreiche Experimente.

Diese Fortschritte bieten einen vielversprechenden Ansatz, um die Unsicherheit bei der Modellierung subadditiver Mengenfunktionen zu reduzieren und damit die Effizienz von kombinierten Optimierungsaufgaben in Wirtschaft, Technik und KI signifikant zu steigern.