[論文レビュー] Maximum Matching in Two, Three, and a Few More Passes Over Graph Streams

Elena Grigorescu, Morteza Monemizadeh+1 more|arXiv (Cornell University)|Aug 4, 2016

Complexity and Algorithms in Graphs参考文献 22被引用数 8

ひとこと要約

この論文は、最適マッチングをクラスに分解し、複数回のエッジストリーム走査において損失を制限する新しいチャージング議論を用いることで、CrouchとStubbs（2014）のストリーミングアルゴリズムの変種が、グラフストリームにおける最大重み付きマッチングに対して $3.5+\varepsilon$ のタイトな近似比を達成することを証明している。

ABSTRACT

We consider the problem of approximating a maximum weighted matching, when the edges of an underlying weighted graph $G(V,E)$ are revealed in a streaming fashion. We analyze a variant of the previously best-known $(4+ε)$-approximation algorithm due to Crouch and Stubbs (APPROX, 2014), and prove their conjecture that it achieves a tight approximation factor of $3.5+ε$. The algorithm splits the stream into substreams on which it runs a greedy maximum matching algorithm. At the end of the stream, the selected edges are given as input to an optimal maximum weighted matching algorithm. To analyze the approximation guarantee, we develop a novel charging argument in which we decompose the edges of a maximum weighted matching of $G$ into a few natural classes, and then charge them separately to the edges of the matching output by our algorithm.

研究の動機と目的

• CrouchとStubbs（2014）が提起した予想を解決すること：彼らのアルゴリズムがグラフストリームにおける最大重み付きマッチングに対して $3.5+\varepsilon$ の近似比を達成することを示すこと。
• 複数パスの貪欲法の性能を分析することで、重み付きマッチングのストリーミングアルゴリズムにおける近似保証の理解を深めること。
• 最適マッチングのエッジを異なるクラスに分解し、それらをアルゴリズムの出力マッチングのエッジにチャージする新しいチャージング議論を開発すること。
• 同じアルゴリズム的枠組みのもとで、より良い比が達成できないことを示すことにより、近似要因のタイトさを確立すること。
• 2パス、3パス、およびそれ以上のパスにおけるアルゴリズムの振る舞いを分析し、ストリーミングマッチング近似に関する先行結果を拡張すること。

提案手法

• アルゴリズムは複数回のパスでエッジストリームを処理し、各パスをサブストリームに分割して貪欲な最大マッチング選択を適用する。
• 各サブストリーム内では、重みの高いエッジを優先する方法で貪欲なマッチングを維持する。
• すべてのパスを終了した後、選択されたエッジを最適な最大重み付きマッチングアルゴリズムに供給し、最終出力を得る。
• 新しいチャージング議論が導入され、アルゴリズムが選択したエッジとの関係に基づいて最適マッチングのエッジを異なるタイプに分類する。
• 各タイプの最適エッジは、グラフの構造的性質とエッジ重みを用いて、アルゴリズムの出力マッチングのエッジにチャージされ、その上限が導出される。
• 最適マッチングのエッジは、各クラスが出力マッチングの総重みに対して定数倍以内に寄与するように分割可能であるという事実を分析で活用する。

実験結果

リサーチクエスチョン

• RQ1 CrouchとStubbs（2014）のアルゴリズムは、グラフストリームにおける最大重み付きマッチングに対して、$3.5+\varepsilon$ のタイトな近似比を達成するか？
• RQ2 最適マッチングを、アルゴリズムの出力に対して有効に境界を設定できるクラスに分解できる洗練されたチャージング議論を構築できるか？
• RQ3 この複数パス貪欲法フレームワークで達成可能な最良の近似比は何か？
• RQ4 ストリームを複数回走査することで、1パスの場合と比較して近似保証がどのように向上するか？
• RQ5 $3.5+\varepsilon$ の要因はタイトか、それともアルゴリズムや分析を変更することで改善可能か？

主な発見

• アルゴリズムは、グラフストリームにおける最大重み付きマッチングに対して $(3.5+\varepsilon)$-近似を達成し、CrouchとStubbsの予想を裏付けた。
• 近似要因はタイトであり、同じアルゴリズム的枠組みと仮定のもとで、より良い比は達成できないことを示している。
• 新しいチャージング議論は、最適マッチングを出力マッチングに対して境界を設定できるクラスに成功して分解し、正確な解析を可能にした。
• この手法は2パス、3パス、およびそれ以上のパスに一般化され、追加のパスが近似比を制御された方法で改善することを示した。
• サブストリームにおける貪欲な選択戦略と、最適マッチングアルゴリズムによる後処理の組み合わせが、強力な理論的保証をもたらすことを示した。
• 従来の $(4+\varepsilon)$-近似より改善され、最適ストリーミング近似に近づくギャップが狭まった。