[論文レビュー] Improved Analysis of RANKING for Online Vertex-Weighted Bipartite Matching in the Random Order Model

Billy Jin, David P. Williamson|arXiv (Cornell University)|Jul 25, 2020

Optimization and Search Problems参考文献 9被引用数 4

ひとこと要約

この論文は、Huangらの分析における制限を緩和し、離散化された単位正方形上で制約付き線形計画問題を解くことで、最適な区分的アフィン関数 g(x,y) を計算することで、ランダム順序モデルにおけるオンライン頂点重み付き二部マッチング問題の競合比を 0.6534 から 0.6629 に改善した。この手法は並列計算と誤差有界の数値近似を用い、よりきつい上限を得ており、この手法的枠組みにおける理論的上限は 0.6688 である。

ABSTRACT

In this paper, we consider the online vertex-weighted bipartite matching problem in the random arrival model. We consider the generalization of the RANKING algorithm for this problem introduced by Huang, Tang, Wu, and Zhang (TALG 2019), who show that their algorithm has a competitive ratio of 0.6534. We show that assumptions in their analysis can be weakened, allowing us to replace their derivation of a crucial function $g$ on the unit square with a linear program that computes the values of a best possible $g$ under these assumptions on a discretized unit square. We show that the discretization does not incur much error, and show computationally that we can obtain a competitive ratio of 0.6629. To compute the bound over our discretized unit square we use parallelization, and still needed two days of computing on a 64-core machine. Furthermore, by modifying our linear program somewhat, we can show computationally an upper bound on our approach of 0.6688; any further progress beyond this bound will require either further weakening in the assumptions of $g$ or a stronger analysis than that of Huang et al.

研究の動機と目的

• ランダム到着順の下で、オンライン頂点重み付き二部マッチングに対する RANKING アルゴリズムの競合比を向上させること。
• Huang らの一般化された RANKING アルゴリズムの分析における制限的な仮定を緩和すること。
• 弱い仮定のもとで、離散化された単位正方形上の線形計画問題を用いて、最良の区分的アフィン関数 g(x,y) を計算すること。
• 現在の解析的制約を考慮した上で、達成可能な競合比の計算可能な上限を確立すること。

提案手法

• Huang らの分析と比較して緩和された仮定のもとで、離散化された [0,1]² グリッド上での最適な区分的アフィン関数 g(x,y) を計算するための線形計画問題を定式化する。
• 競合比の上限における連続的な最小値と積分を、離散的近似に置き換える：minθ≤γ は {0,γ} 上の最小値に置き換えられ、積分は台形則および右リーマン和で近似される。
• 精度と計算可能性のバランスを図るため、2^10 の離散化（n=1024）を採用し、64コアのマシン上で並列処理で線形計画問題を解く。
• 台形積分によって生じる誤差を、リプシッツ連続性の議論によりバインドし、最終的な上限が有効であることを保証する。
• 最小値を γ と 0 のみに制限し、粗いリーマン和を用いるといったヒューリスティックな簡略化を適用することで、線形計画問題のサイズを削減しながら、目的値にほとんど影響を与えない。
• 得られた上限 0.6688 がこの手法に対してタイトであることを確認し、これ以上の向上にはHuang らの分析より強い仮定またはより強力な解析が必要であることを示している。

実験結果

リサーチクエスチョン

• RQ1 Huang らの分析における関数 g(x,y) に対する制限的な仮定を緩和することで、ランダム順序モデルにおける一般化された RANKING アルゴリズムの競合比を 0.6534 を超えて向上させることは可能か？
• RQ2 Huang らの解析枠組みと同一であるが、g(x,y) に対する仮定を弱くした場合、達成可能な最良の競合比は何か？
• RQ3 数値積分と最小値近似のヒューリスティクスを用いた離散化線形計画問題により、競合比の上限はどの程度正確に近似可能か？
• RQ4 現在の手法的制約を考慮した場合、このアプローチにおける改善の理論的上限は何か？
• RQ5 線形計画問題の解から、Huang らが用いた指数関数的形よりも単純で解釈可能な関数 g(x,y) を導出できるか？

主な発見

• 著者らは、ランダム順序モデルにおけるオンライン頂点重み付き二部マッチング問題について、競合比 0.6629 を達成し、以前の上限 0.6534 を上回った。
• 関数 g(x,y) に対する仮定を緩和することで、離散化された単位正方形上での制約付き線形計画問題を用いて、よりきつい競合比の上限を導出した。
• この手法的枠組みに対する計算された上限は 0.6688 であり、これ以上の向上にはHuang らの分析より弱い仮定またはより強力な解析が必要であることを示している。
• 台形和と制限された最小値を用いた数値近似戦略は、リプシッツ連続性の議論によりほとんど誤差がなく、妥当性が裏付けられている。
• 線形計画問題から得られた最適関数 g(x,y) は、Huang らが用いた指数関数的形とは質的に異なる構造を示しており、より単純で効果的な代替案の可能性を示唆している。
• 線形計画問題の解から得られる視覚的ヒントは二段階線形関数の可能性を示唆しているが、実際にそのクラスの関数ではHuang らの競合比を上回ることは不可能であることが証明された。