[論文レビュー] Edge-Weighted Online Bipartite Matching

Matthew Fahrbach, Zhiyi Huang+2 more|arXiv (Cornell University)|May 5, 2020

Optimization and Search Problems参考文献 33被引用数 4

ひとこと要約

本稿は、長年にわたって1/2の競合比の壁とされてきたエッジ重み付き二部マッチングのオンラインアルゴリズムにおいて、最初にそれを破るアルゴリズムを提示する。新規のオンライン相関選択（OCS）サブルーチンを用いて、0.5086の競合比を達成した。この手法は、最適化された利益共有パラメータを有するオンライン原双対フレームワークと、意思決定の間で負の相関を強制するγ-OCSを採用し、グリーディ手法を凌駕する性能を実現する。

ABSTRACT

Online bipartite matching and its variants are among the most fundamental problems in the online algorithms literature. Karp, Vazirani, and Vazirani (STOC 1990) introduced an elegant algorithm for the unweighted problem that achieves an optimal competitive ratio of $1-1/e$. Later, Aggarwal et al. (SODA 2011) generalized their algorithm and analysis to the vertex-weighted case. Little is known, however, about the most general edge-weighted problem aside from the trivial $1/2$-competitive greedy algorithm. In this paper, we present the first online algorithm that breaks the long-standing $1/2$ barrier and achieves a competitive ratio of at least $0.5086$. In light of the hardness result of Kapralov, Post, and Vondrák (SODA 2013) that restricts beating a $1/2$ competitive ratio for the more general problem of monotone submodular welfare maximization, our result can be seen as strong evidence that edge-weighted bipartite matching is strictly easier than submodular welfare maximization in the online setting. The main ingredient in our online matching algorithm is a novel subroutine called online correlated selection (OCS), which takes a sequence of pairs of vertices as input and selects one vertex from each pair. Instead of using a fresh random bit to choose a vertex from each pair, the OCS negatively correlates decisions across different pairs and provides a quantitative measure on the level of correlation. We believe our OCS technique is of independent interest and will find further applications in other online optimization problems.

研究の動機と目的

• エッジ重み付きオンライン二部マッチングにおける長年の1/2の競合比の壁を打ち破ること。
• 広告主が低い重みのエッジを高い重みのものに置き換えられる自由処分モデル下で、実用的かつ解析可能なオンラインアルゴリズムを設計すること。
• 競合比の向上に鍵をなすアルゴリズム的プリミティブとして、オンライン相関選択（OCS）の概念を導入・形式化すること。
• FahrbachとZadimoghaddam、およびHuangとTaoの先行研究を統合し、より単純で頑健なフレームワークに洗練させること。
• エッジ重み付き二部マッチングがオンライン設定において、単調なサブモジュラーウェルファーカー最大化問題よりも厳密に容易であるという強力な証拠を提供すること。

提案手法

• アルゴリズムは、到着するエッジに基づいてリアルタイムで双対変数を更新するオンライン原双対フレームワークを用いる。
• 異なるペア間で負の相関を強制する一方で、各ペアから1つの頂点を選択する新しいサブルーチン、オンライン相関選択（OCS）を導入する。
• OCSは、意思決定における負の相関の程度を定量化するγ = 0.109927 -OCSとして最適化され、その値が得られている。
• 原双対解析における利益共有パラメータは、双対妥当性と原問題の利益の両立を最適化するために慎重に調整され、1/2を超える競合比を実現可能とした。
• OCSの解析にはカップリングの議論が用いられ、共有ノードには同一の乱数ビット、新規ノードには新規の乱数ビットを割り当てることで、失敗確率の上限を導出する。
• 逆弱双対性と近似的な双対妥当性を活用して、最終的な競合比を導出する。

実験結果

リサーチクエスチョン

• RQ1 自由処分モデル下で、エッジ重み付きオンライン二部マッチングに対して1/2を厳密に上回る競合比を達成できるか。
• RQ2 オンライン割り当て意思決定における負の相関の役割は何か。また、その相関はどのように定量化され、アルゴリズム的に活用できるか。
• RQ3 オンライン設定において、エッジ重み付きオンラインマッチングの性能は、より一般的な単調なサブモジュラーウェルファーカー最大化問題と比べてどの程度異なるか。
• RQ4 オンライン原双対フレームワークは、1/2という自明な比を上回る保証を持つエッジ重み付き問題に拡張可能か。
• RQ5 OCSを用いて達成可能な相関の最適レベル（γ）は何か。また、そのγは競合比にどのように影響するか。

主な発見

• 本稿は、少なくとも0.5086の競合比を達成し、エッジ重み付きオンライン二部マッチングにおける長年の1/2の壁を破った。
• 著者らはarXiv:1910.03287に以前検出されなかったバグを是正し、より小さいかつきつい競合比を達成した。
• 0.109927-OCSが構築・最適化され、初期の1/16-OCSの構築に比べて顕著な改善が示された。
• OCS技術は独立した興味を有し、他のオンライン最適化問題への応用も可能性を示している。
• 結果として、エッジ重み付き二部マッチングがオンライン設定において、単調なサブモジュラーウェルファーカー最大化問題よりも厳密に容易であるという強い証拠が得られた。
• 理論的限界から、完璧な1-OCSでさえ最大で5/9 ≈ 0.5556の競合比しか得られず、1−1/e ≈ 0.6321の最適比に到達するには根本的に新しい手法の開発が必要であることが示唆された。