[論文レビュー] Maintaining Approximate Maximum Weighted Matching in Fully Dynamic Graphs

Abhash Anand, Surender Baswana+2 more|arXiv (Cornell University)|Jul 17, 2012

Complexity and Algorithms in Graphs参考文献 13被引用数 4

ひとこと要約

本稿では、一般の重み付きグラフにおける近似最大重みマッチング（MWM）を完全動的で維持する最初のアルゴリズムを提示する。エッジの挿入または削除ごとに期待 amortized 更新時間が O(log n log C) である。重みに基づくレベルにエッジを分割し、確率的スケーリングを用いることで、期待近似比 4.9108 のマッチングを維持する。初期の幾何的丸めを用いた 8-近似を改善し、動的最大マッチングのサブルーチンを用いる。

ABSTRACT

We present a fully dynamic algorithm for maintaining approximate maximum weight matching in general weighted graphs. The algorithm maintains a matching ${\cal M}$ whose weight is at least $1/8 M^{*}$ where $M^{*}$ is the weight of the maximum weight matching. The algorithm achieves an expected amortized $O(\log n \log \mathcal C)$ time per edge insertion or deletion, where $\mathcal C$ is the ratio of the weights of the highest weight edge to the smallest weight edge in the given graph. Using a simple randomized scaling technique, we are able to obtain a matching whith expected approximation ratio 4.9108.

研究の動機と目的

• エッジの挿入および削除に対して、重み付きグラフにおける近似最大重みマッチングを効率的に維持する完全動的アルゴリズムの設計。
• 最適な最大重みマッチング（MWM）に対して良好な近似比を維持しつつ、各操作ごとに非線形更新時間（sub-linear update time）を達成すること。
• 既存の動的最大マッチングアルゴリズムを、新しいレベルベースの分割と確率的スケーリング技術を用いて重み付き設定に拡張すること。
• 8 から 4.9108 への近似比の改善を実現しつつ、効率的な更新時間も維持することで、近似 MWM の完全動的アルゴリズムとして初めてのものとする。
• 確率的解析と幾何的丸めを用いて、期待 amortized 更新時間と近似比に関する理論的保証を提供すること。

提案手法

• 重みに基づくレベルにエッジを分割する。レベル i に属するエッジは、重みが [α^i, α^{i+1}) の範囲にある。α > 1 を適切に選ぶ。
• 確率的スケーリング技術を用いる：一様に選ばれた r ∈ (0,1] を用い、重み w(e) ∈ [α^{i+r}, α^{i+r+1}) であるエッジ e に対して、新しい重み wr(e) = α^{i+r} を割り当てる。
• Baswana ら [1] の動的最大マッチングアルゴリズムをサブルーチンとして用い、スケーリングされた重みに基づいてマッチングを維持する。
• 最適マッチング M* のエッジから、維持されているマッチング Mr のエッジへの写像 φ を定義し、直接的・間接的な写像を区別する。
• 期待値の線形性と確率的解析を用いて、Mr の期待重みが M* に対してどの程度の割合であるかを評価し、α の関数として近似比を導出する。
• 式 2α² ln α / (α−1)² を最小化することで近似比を最適化し、α ≈ 3.512 のとき最小値をとる。このとき近似比は ≈4.9108 となる。

実験結果

リサーチクエスチョン

• RQ1 一般の重み付きグラフにおいて、非線形更新時間で近似最大重みマッチングを完全動的で維持できるか？
• RQ2 動的最大マッチングフレームワークを重み付きケースに適応させ、良好な近似比を達成するにはどうすればよいか？
• RQ3 完全動的設定において、確率的スケーリングとレベルベースのエッジ分割を用いて達成可能な最良の近似比は何か？
• RQ4 O(log n log C) の期待 amortized 更新時間を維持しつつ、近似比を 8 を超えて改善できるか？
• RQ5 確率的スケーリングアプローチにおいて、期待近似比を最小化する最適な α の値は何か？

主な発見

• 決定的レベル分割スキームを用いることで、最大重みマッチング（8-MWM）に対する期待近似比 8 を維持する。
• 一様に選ばれた r ∈ (0,1] を用いた確率的スケーリング技術を導入することで、近似比は約 4.9108 に改善される。
• エッジの挿入または削除ごとの期待 amortized 更新時間は O(log n log C) であり、C は最大エッジ重みと最小エッジ重みの比を表す。
• 本アルゴリズムは、非線形更新時間と定数近似比を達成する近似 MWM の完全動的アルゴリズムとして、初めてのものである。
• 解析により、維持されているマッチング Mr の期待重みは、最適マッチング M* の重みの (α−1)²/(2α² ln α) 倍以上であることが示され、α ≈ 3.512 のときこの値は約 4.9108 に最小化される。
• エッジスケーリングにおける確率的化のおかげで、敵対的更新に対してもマッチングが頑健に保たれる。これは、適応的攻撃者による制御を防ぐ。