[논문 리뷰] Greedy Online Bipartite Matching on Random Graphs

Andrew Mastin, Patrick Jaillet|arXiv (Cornell University)|2013. 07. 09.

Optimization and Search Problems참고 문헌 19인용 수 10

한 줄 요약

이 논문은 에르되시-레니 수형 무작위 그래프 $G(n,n,p)$에서 그레디 온라인 이분 매칭 알고리즘의 평균적 성능을 분석하며, 미분방정식을 사용하여 매칭 동역학을 모델링한다. 그레디 알고리즘의 성능 비율이 최소 $0.837$이며, 옴비버스 변형의 경우 $1-1/e$임을 입증하여, 무작위 환경에서 최적의 랭킹 알고리즘과 거의 동일한 성능을 내는 것으로 보여준다.

ABSTRACT

We study the average performance of online greedy matching algorithms on $G(n,n,p)$, the random bipartite graph with $n$ vertices on each side and edges occurring independently with probability $p=p(n)$. In the online model, vertices on one side of the graph are given up front while vertices on the other side arrive sequentially; when a vertex arrives its edges are revealed and it must be immediately matched or dropped. We begin by analyzing the extsc{oblivious} algorithm, which tries to match each arriving vertex to a random neighbor, even if the neighbor has already been matched. The algorithm is shown to have a performance ratio of at least $1-1/e$ for all monotonic functions $p(n)$, where the performance ratio is defined asymptotically as the ratio of the expected matching size given by the algorithm to the expected maximum matching size. Next we show that the conventional extsc{greedy} algorithm, which assigns each vertex to a random unmatched neighbor, has a performance ratio of at least 0.837 for all monotonic functions $p(n)$. Under the $G(n,n,p)$ model, the performance of extsc{greedy} is equivalent to the performance of the well known extsc{ranking} algorithm, so our results show that extsc{ranking} has a performance ratio of at least 0.837. We finally consider vertex-weighted bipartite matching. Our proofs are based on simple differential equations that describe the evolution of the matching process.

연구 동기 및 목표

• 무작위 이분 그래프 $G(n,n,p)$에서 온라인 그레디 매칭 알고리즘의 평균적 성능을 분석하기 위해.
• 모든 단조적 $p(n)$에 대해 그레디 및 옴비버스 알고리즘의 성능 비율에 대한 날카운 하한을 확립하기 위해.
• 그레디 알고리즘의 성능이 $G(n,n,p)$ 모델 하에서 잘 알려진 랭킹 알고리즘과 渐진적으로 동일하다는 것을 보여주기 위해.
• 가중치가 부여된 정점의 이분 매칭으로의 분석을 확장하여 가중치 기반 그레디 매칭을 다루기 위해.
• 미분방정식과 워름올드 정리를 사용하여 매칭 과정의 진화를 엄밀하게 모델링하고 경계를 설정하기 위해.

제안 방법

• 정점가 순차적으로 도착하고 간선가 도착 시에 노출되는 확률적 과정으로 매칭 과정을 모델링한다.
• 매칭된 박스 수의 기대 진화를 $n$으로 정규화하여 기술하기 위해 미분방정식을 사용한다.
• $n \to \infty$일 때, 결정론적 미분방정식 해가 확률적 과정을 잘 근사함을 워름올드 정리를 통해 보여준다.
• 시간에 따라 각 랭킹 또는 무게 클래스에 속하는 박스의 비율이 매칭되는 정도를 기술하기 위한 ODE 시스템을 유도한다.
• 옴비버스 및 그레디 케이스에 대해 ODE 시스템을 명시적으로 풀어 매칭 크기의 닫힌 형식 표현식을 도출한다.
• 랭킹 기반 또는 무게 기반의 박스 클래스를 도입하여 가중치가 부여된 정점의 매칭으로 이 프레임워크를 확장하고, 해당 ODE 시스템을 푸는다.

실험 결과

연구 질문

• RQ1 단조적 $p(n)$에 대해 $G(n,n,p)$에서 옴비버스 그레디 알고리즘의 渐진적 성능 비율은 얼마인가?
• RQ2 기본 그레디 알고리즘의 성능은 랜덤 이분 그래프에서 최적의 최대 매칭과 비교하여 어떻게 되는가?
• RQ3 그레디 알고리즘의 성능은 $G(n,n,p)$ 모델 하에서 랭킹 알고리즘과 동일한가?
• RQ4 가중치가 부여된 이분 매칭 설정에서 그레디 매칭의 성능 비율은 얼마인가?
• RQ5 특히 $p(n) \sim 1/n$ 근처에서, 그레디 알고리즘의 성능 비율은 $p(n)$에 따라 어떻게 변하는가?

주요 결과

• 옴비버스 알고리즘은 모든 단조적 $p(n)$에 대해 최소 $1 - 1/e$의 성능 비율을 확보하며, 이는 랭킹 알고리즘의 최악의 경우 보장 성능과 일치한다.
• 기본 그레디 알고리즘은 모든 단조적 $p(n)$에 대해 최소 $0.837$의 성능 비율을 확보하며, 이는 최악의 경우 $1/2$의 하한보다 훨씬 높다.
• $G(n,n,p)$ 모델 하에서 그레디 알고리즘과 랭킹 알고리즘의 성능는 渐진적으로 동일하며, 이는 그레디 알고리즘이 기대적으로 최대 매칭 크기의 최소 $0.837$을 달성한다는 것을 의미한다.
• 가중치가 부여된 이분 매칭의 경우, 논문은 다음과 같은 닫힌 형식의 표현식을 도출한다: $\frac{\mu^{r}_{\mathrm{W}}(n,n,c/n)}{n} = g_r - \frac{1}{c}\log\left(\frac{1+e^{-c\tau}(e^{c\sum_{k=1}^{r}g_k}-1)}{1+e^{-c\tau}(e^{c\sum_{k=1}^{r-1}g_k}-1)}\right) + o(1)$.
• 그레디 알고리즘의 성능 비율은 $p(n) \sim 1/n$ 근처에서 최소가 되며, 이는 고성능에서 최악의 행동으로의 전이를 보여주는 임계 단계 전환을 나타낸다.