[論文レビュー] Vertex-weighted Online Stochastic Matching with Patience Constraints

Brian Brubach, Nathaniel Grammel+1 more|arXiv (Cornell University)|Jul 9, 2019

Optimization and Search Problems被引用数 7

ひとこと要約

本稿は、頂点重み、確率的報酬、忍耐制約を備えた新しいオンライン確率的マッチングモデルを導入し、0.5の競合比を達成する画期的なアルゴリズムを提案する。これは、このクラスの問題における最初の定数競合比である。また、決定的LP緩和ではなく、同じ確率的設定下でのオフラインアルゴリズムと比較するより公平な競合比定義を提唱する。

ABSTRACT

Online Bipartite Matching is a classic problem introduced by Karp, Vazirani, and Vazirani (Proc. ACM STOC, 1990) and motivated by applications such as e-commerce, online advertising, and ride-sharing. We wish to match a set of online vertices (e.g., webpage views, users, customers, or riders) which arrive sequentially one-by-one to a set of offline vertices (e.g., ads, items, or drivers). Each vertex can be matched at most once and the goal is to maximize the matching size. Here, we consider the more general problem allowing vertex weights (on the offline vertices, representing differing item prices, for example), stochastic rewards (attempted matches may be unsuccessful, providing no reward), and patience constraints (each online vertex has a patience, representing the maximum number of unsuccessful match attempts allowed for it). In doing so, we discuss and clarify the definition of competitive ratio in the stochastic setting and compare competing notions. Specifically, we advocate for the use of a competitive ratio that compares the performance of an online algorithm to that of an offline algorithm in the same stochastic setting, whereas some prior work---see, e.g., Mehta and Panigrahi (FOCS, 2012)---uses a linear programming (LP) formulation to compare the performance of an online algorithm to the optimal solution of a closely related non-stochastic offline problem. We define the stochasticity gap for evaluating the usefulness of an LP formulation (which exchanges probabilities for fractional coefficients) of a given stochastic problem and bound this gap for a commonly used LP. We further present and analyze a new algorithm for our problem, achieving a competitive ratio of 0.5, the first constant competitive ratio for this and several related problems.

研究の動機と目的

• 確率的オンラインマッチングにおける従来の競合比定義の限界を是正するため、同じ確率的条件下でのオフラインアルゴリズムと比較するオンラインアルゴリズムの評価基準を提示すること。
• 確率を係数として置き換えたLP緩和と真の確率的問題との差である「確率的ばらつきギャップ」を形式化し、特に一般的に用いられるLP緩和に対してその上限を特定すること。
• 忍耐制約を伴う頂点重み付きオンライン確率的マッチングに対する新しいアルゴリズムを設計・分析し、定数競合比を達成すること。
• eコマース、広告、ライドシェアリングなど、アイテムに異なる価値があり、マッチングが失敗する可能性があり、ユーザーが限られた忍耐を持つ実世界のシナリオへのオンラインマッチングモデルの適用範囲を拡大すること。

提案手法

• 決定的LP解ではなく、同じ確率的報酬と忍耐制約下で動作するオフラインアルゴリズムと比較する新しい競合比定義を提案する。
• 確率的ばらつきギャップを定義・分析し、確率を分数係数に置き換えたLP緩和と真の確率的問題の最適解との比として定義する。
• 到着するオンライン頂点のマッチングを、その忍耐、オフライン頂点の重み、成功確率に基づいて動的に決定する新しいアルゴリズムを導入する。
• 忍耐制約を考慮したマッチング意思決定と組み合わせた確率的ラウンドアップ技術を用い、確率的報酬下での性能保証を確保する。
• 同じ確率的設定下での最適オフラインアルゴリズムの期待マッチングサイズと比較して、アルゴリズムの期待マッチングサイズに関する理論的上限を確立する。

実験結果

リサーチクエスチョン

• RQ1 確率的オンラインマッチング設定における競合比の最も適切な定義は何か？ これは従来のLPベースの比較とはどのように異なるか？
• RQ2 忍耐制約を伴う頂点重み付きオンライン確率的マッチングにおいて、一般的に用いられるLP緩和の確率的ばらつきギャップは最大でどの程度か？
• RQ3 この一般化された設定において定数競合比を達成できるか？ もしそうなら、それを可能にするアルゴリズム的技術は何か？
• RQ4 忍耐制約と確率的報酬は、実用的応用におけるオンラインマッチングアルゴリズムの性能にどのように影響を与えるか？

主な発見

• 本稿は、同じ確率的環境下でのオフラインアルゴリズムと比較する新しい競合比定義を確立し、従来のLPベースの比較に比べてより公平なベンチマークを提供する。
• 一般的に用いられるLP緩和の確率的ばらつきギャップは有界であることが示され、このような緩和が真の確率的問題の有用ではあるが、保守的近似であることが明らかになった。
• 0.5の競合比を達成する新しいアルゴリズムが提案され、これは忍耐制約を伴う頂点重み付きオンライン確率的マッチングにおける最初の定数競合比である。
• アルゴリズムは、忍耐、報酬重み、成功確率を効果的にバランスさせることで、不確実性下での期待マッチングサイズを最大化する。