[論文レビュー] Online Weighted Matching: Breaking the $\frac{1}{2}$ Barrier

Matthew Fahrbach, Morteza Zadimoghaddam|arXiv (Cornell University)|Apr 18, 2017

Optimization and Search Problems参考文献 28被引用数 4

ひとこと要約

本論文は、自由処分仮定の下で、長年にわたり1/2の競合比の壁とされてきた、重み付き二部マッチングにおける最初の確率的オンラインアルゴリズムを提示する。このアルゴリズムは、過去の割り当てに基づいた安全な意思決定を可能にする制御された適応的ランダムネスの使用により、性能を1/2の決定的限界を上回る、少なくとも0.501の競合比に達する。

ABSTRACT

Online matching and its variants are some of the most fundamental problems in the online algorithms literature. In this paper, we study the online weighted bipartite matching problem. Karp et al. (STOC 1990) gave an elegant algorithm in the unweighted case that achieves a tight competitive ratio of $1-1/e$. In the weighted case, however, we can easily show that no competitive ratio is obtainable without the commonly accepted free disposal assumption. Under this assumption, it is not hard to prove that the greedy algorithm is $1/2$ competitive, and that this is tight for deterministic algorithms. We present the first randomized algorithm that breaks this long-standing $1/2$ barrier and achieves a competitive ratio of at least $0.501$. In light of the hardness result of Kapralov et al. (SODA 2013) that restricts beating a $1/2$ competitive ratio for the monotone submodular welfare maximization problem, our result can be seen as strong evidence that solving the weighted bipartite matching problem is strictly easier than submodular welfare maximization in the online setting. Our approach relies on a very controlled use of randomness, which allows our algorithm to safely make adaptive decisions based on its previous assignments.

研究の動機と目的

• オンラインアルゴリズム分野における30年間の未解決問題である、オンライン重み付き二部マッチングにおいて1/2を超える競合比が達成可能かどうかを解明すること。
• 自由処分仮定の下で、決定的グリーディアルゴリズムに劣らない、より優れた性能を示す確率的アルゴリズムを設計すること。決定的グリーディアルゴリズムは、自由処分下で1/2にタイトに競合する。
• オンライン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ウェルフェア最大化よりも本質的に簡単であるという強力な証拠を提供すること。
• 制御されたランダムネスを通じて、有界な条件付き確率の段階的伝播を伴う適応的意思決定を可能にする、新しい分析フレームワークの構築

提案手法

• 過去の結果に基づいた適応的割り当て意思決定を可能にする、制御されたランダムネスを用いた確率的オンラインアルゴリズム「StochasticGreedy」を導入する。
• 割り当て済みインプレッションからの余剰限界利益を再配分するメカニズムを採用し、期待される競合比を向上させる。
• すべてのアルゴリズム的分岐における期待値を用いることで、重要な変数（例：限界利益）を解析において決定的に振る舞わせ、証明構造を単純化する。
• 二段階の割り当て戦略を適用する：まず、線分13〜30で一時的割り当てを実施し、次に線分31〜42で将来のエッジ重みに基づいた適応的調整を実施する。
• 期待性能の下限を強化するため、余剰割り当てメカニズムという、新しい分析ツールを設計する。このメカニズムは、余剰利益を体系的に再配分する。
• 確率的バウンディングと条件付き期待値の議論を適用し、アルゴリズムが1/2を超える競合比を維持することを示す。具体的には、少なくとも0.501の競合比を達成する。

実験結果

リサーチクエスチョン

• RQ1 自由処分仮定の下で、オンライン重み付き二部マッチングにおいて1/2を厳密に上回る競合比が達成可能か？
• RQ2 1/2を超えることが不可能であるとされる、単調なサブモジュラーウェルファーウェルフェア最大化と比較して、オンライン重み付き二部マッチングとオンラインサブモジュラーウェルファーウェルフェア最大化の間に根本的な複雑さの差があるか？
• RQ3 制御されたランダムネスを用いて、無限大に発散する条件付き確率依存性を引き起こさずに、オンラインマッチングにおける適応的意思決定が可能か？
• RQ4 どのような問題の構造的性質が、決定的アルゴリズムでは達成できない1/2の壁を、確率的アルゴリズムが超えることを可能にするか？
• RQ5 限界利益の余剰を、解析に適した方法で体系的に再配分することで、競合比を向上させることは可能か？

主な発見

• 本論文は、自由処分仮定の下で、オンライン重み付き二部マッチングにおいて少なくとも0.501の競合比を達成する最初のアルゴリズムを提示する。
• このアルゴリズムは、長年にわたり1/2の競合比の壁とされてきた、その壁を破り、30年間の未解決問題を解決する。
• Kapralovら（2013）の結果に鑑み、オンライン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ウェルフェア最大化よりも本質的に簡単であるという強力な証拠を提供する。
• 制御されたランダムネスの使用により、解析的に取り扱いやすく、条件付き確率の段階的伝播の依存性を防ぐ適応的意思決定が可能になる。
• 余剰利益再配分メカニズムにより、余剰限界利益が、期待性能の下限を強化するように体系的に再配分される。
• 解析により、アルゴリズムの期待利益が、すべての状況、特に敵対的エッジ重みシーケンス下でも、最適オフライン解の0.501倍を超えることが証明される。