[論文レビュー] Online Stochastic Matching: Beating 1-1/e

Jon Feldman, Aranyak Mehta+2 more|ArXiv.org|May 26, 2009

Optimization and Search Problems参考文献 8被引用数 40

ひとこと要約

本稿では、i.i.d. モデル下でのオンライン確率的二部マッチングにおいて、長年にわたり打破されていなかった $1 - 1/e \approx 0.632$ 近似の壁を破る、新しいオンライン確率的マッチングアルゴリズムを提示する。この手法は、ブーストドフロー図上で2つの互いに素なオフラインマッチングを計算し、優先順位に基づくオンライン割り当てにそれらを用いることで、約 0.67 の競合比を達成する。本手法は、2つの選択肢のパワーと、新たなカットに基づく上限解析を活用し、結果のタイトさと最適性を証明する。

ABSTRACT

We study the online stochastic bipartite matching problem, in a form motivated by display ad allocation on the Internet. In the online, but adversarial case, the celebrated result of Karp, Vazirani and Vazirani gives an approximation ratio of $1-1/e$. In the online, stochastic case when nodes are drawn repeatedly from a known distribution, the greedy algorithm matches this approximation ratio, but still, no algorithm is known that beats the $1 - 1/e$ bound. Our main result is a 0.67-approximation online algorithm for stochastic bipartite matching, breaking this $1 - {1/e}$ barrier. Furthermore, we show that no online algorithm can produce a $1-ε$ approximation for an arbitrarily small $ε$ for this problem. We employ a novel application of the idea of the power of two choices from load balancing: we compute two disjoint solutions to the expected instance, and use both of them in the online algorithm in a prescribed preference order. To identify these two disjoint solutions, we solve a max flow problem in a boosted flow graph, and then carefully decompose this maximum flow to two edge-disjoint (near-)matchings. These two offline solutions are used to characterize an upper bound for the optimum in any scenario. This is done by identifying a cut whose value we can bound under the arrival distribution.

研究の動機と目的

• i.i.d. モデル下でのオンライン確率的二部マッチングにおいて、数十年にわたり打破されていなかった $1 - 1/e$ 近似の限界を打ち破ること。
• 確率的設定下で、グリーディアルゴリズムや Karp-Vazirani-Vazirani の境界を上回るオンラインアルゴリズムを設計すること。
• 任意に小さな $\epsilon$ に対して $1 - \epsilon$ 近似が達成できないという理論的限界を確立し、$1 - 1/e$ の境界が最良ではないことを証明すること。
• オフライン解を意思決定のガイドとして用いる一般化可能なフレームワークを構築し、実世界の広告割り当てシステムへの応用を図ること。

提案手法

• 期待される二部グラフからブーストドフロー図を構築し、最大フローを計算して妥当な解を同定する。
• 注意深く設計されたフローデコンポジション技術を用いて、最大フローを2つの辺に素な（近似的な）マッチングに分解する。
• オンライン割り当ての際、2つのオフラインマッチングを優先順に使用する：まず最初のマッチングを試み、失敗した場合にのみ2番目のマッチングを用いる。
• オフライン解の構造に従って誘導されるシナリオグラフにおけるカットを特定することで、最適解の上限を確立する。
• 新たなカットに基づく解析を適用し、期待される最適解の上限を束縛することで、タイトな性能保証を可能にする。
• 確率的集中不等式（例：Chernoff）を用いて、i.i.d. 到着モデル下での高確率性能を示す。

実験結果

リサーチクエスチョン

• RQ1 i.i.d. オンライン確率的二部マッチングモデル下で、$1 - 1/e$ よりも厳密に高い競合比を達成できるオンラインアルゴリズムは存在するか？
• RQ2 期待されるグラフのどのような構造的性質が、オンライン確率的設定下で $1 - 1/e$ を上回る近似を可能にするか？
• RQ3 この確率的設定下で、オンラインアルゴリズムが最適に近づける上限に、根本的な限界は存在するか？
• RQ4 2つの選択肢のパワーは、オフライン解の分解を介して、オンラインマッチングに効果的に適用可能か？
• RQ5 オフライン解は、オンライン意思決定をガイドするだけでなく、確率的シナリオ下で最適解を束縛するためにも利用可能か？

主な発見

• 提案されたアルゴリズムは、$\frac{1 - \frac{2}{e^2}}{\frac{4}{3} - \frac{2}{3e}} \approx 0.67$ の競合比を達成し、$1 - 1/e \approx 0.632$ の境界を厳密に上回る。
• 解析はタイトである：構築されたインスタンスにより、アルゴリズムが正確にこの比に達することが示され、この境界はその手法では改善不可能であることが証明される。
• 任意に小さな $\epsilon$ に対して $1 - \epsilon$ 近似が達成可能なオンラインアルゴリズムは存在しない。具体的には、近似比は $26/27 \approx 0.99$ 以上、1から離れている。
• ブーストドフロー図と辺に素な分解を用いた2つのオフラインマッチングのアプローチにより、グリーディーや単一のオフラインマッチング戦略よりも、証明可能な優れた性能が達成可能である。
• オフライン解から導出されるカットに基づく上限技術は、解析のタイトさを証明し、近似比を確立するために不可欠である。
• このフレームワークは $k$-マッチングアルゴリズムへ一般化可能であり、$k=2$ の場合の理論的境界は $1 - \frac{2}{e^2} \approx 0.72$、$k=3$ の場合の境界は $1 - \frac{5}{e^3} \approx 0.75$ であるが、$k=3$ を超える一般化は未解決のままである。