[논문 리뷰] Online Matching with Stochastic Rewards: Advanced Analyses Using Configuration Linear Programs

Zhiyi Huang, Hanrui Jiang외 4명|arXiv (Cornell University)|2023. 09. 19.

Optimization and Search ProblemsComputer Science인용 수 3

한 줄 요약

이 논문은 Stochastic Rewards를 고려한 온라인 매칭을 Configuration Linear Programs (LPs)를 활용해 발전시켰으며, Goyal과 Udwani(2020)의 Path-based LP를 단순화한 새로운 Stochastic Configuration LP를 도입하였다. 이로 인해 개선된 경쟁비율을 달성하였으며, 무한소(success probabilities)일 경우 Stochastic Balance의 경쟁비율은 0.611로 향상되었고, 확률이 동일할 경우 0.613으로 향상되었다. 또한, Configuration LP를 활용한 Ranking 알고리즘에 대한 첫 온라인 원시-쌍대 분석을 수행하여 기존의 0.534에서 0.572로 경쟁비율을 향상시켰다.

ABSTRACT

Mehta and Panigrahi (2012) proposed Online Matching with Stochastic Rewards, which generalizes the Online Bipartite Matching problem of Karp, Vazirani, and Vazirani (1990) by associating the edges with success probabilities. This new feature captures the pay-per-click model in online advertising. Recently, Huang and Zhang (2020) studied this problem under the online primal dual framework using the Configuration Linear Program (LP), and got the best known competitive ratios of the Stochastic Balance algorithm. Their work suggests that the more expressive Configuration LP is more suitable for this problem than the Matching LP. This paper advances the theory of Configuration LP in two directions. Our technical contribution includes a characterization of the joint matching outcome of an offline vertex and \emph{all its neighbors}. This characterization may be of independent interest, and is aligned with the spirit of Configuration LP. By contrast, previous analyses of Ranking generally focus on only one neighbor. Second, we designed a Stochastic Configuration LP that captures a stochastic benchmark proposed by Goyal and Udwani (2020), who used a Path-based LP. The Stochastic Configuration LP is smaller and simpler than the Path-based LP. Moreover, using the new LP we improved the competitive ratio of Stochastic Balance from $0.596$ to $0.611$ when the success probabilities are infinitesimal, and to $0.613$ when the success probabilities are further equal.

연구 동기 및 목표

• 온라인 매칭에서 Stochastic Rewards를 분석할 때 Matching LP의 한계를 해결하기 위해, 특히 오프라인 정점과 그 이웃들의 공동 매칭 결과를 포괄하는 데 초점한다.
• Goyal과 Udwani(2020)가 제안한 스토하스틱 기준을 반영하는 더 표현력 있고 단순화된 LP 설정인 Stochastic Configuration LP를 개발한다.
• 기존 표준 프레임워크에서 실패했던 바, Configuration LP를 활용한 Ranking 알고리즘에 대한 첫 온라인 원시-쌍대 분석을 가능하게 한다.
• 고급 LP 기반 분석 기법을 활용해 Stochastic Balance 및 Ranking의 경쟁비율을 향상시킨다.
• 표현력과 분석의 용이성 측면에서 Stochastic Online Matching에 대해 Matching LP 및 Path-based LP보다 Configuration LP가 뛰어나다는 것을 입증한다.

제안 방법

• 오프라인 정점과 그 모든 이웃의 공동 매칭 결과를 새롭게 특성화하여, 더 표현력 있는 이중 변수 분석이 가능하도록 한다.
• 스토하스틱 기준을 반영하는 Stochastic Configuration LP를 설계하여, 더 복잡한 Path-based LP를 더 작고 단순한 형태로 대체한다.
• 온라인 원시-쌍대 프레임워크를 Stochastic Configuration LP에 적용하고, 이중 타당성과 경쟁비율 조건을 만족시키기 위해 신중하게 설계된 이득 분배 규칙을 사용한다.
• 이득 분배 함수 $ g $ 를 포함한 미분 부등식을 유도하고, 악성 조건 하에서 경쟁비율을 최대화하기 위해 $ g $ 를 최적화한다.
• Ranking 분석에서 $ g(x) = e^{x-1} $ 를 사용하여, 이중 변수가 $ 1 - 1/e $ 경쟁비율을 달성하기 위해 필요한 부등식을 등호로 만족시킴을 보장한다.
• 다른 정점들의 순위와 스토하스틱 임계값에 조건을 두고 분석을 수행하고, 기대 이중 변수에 하한을 적용하여 경쟁비율을 유도한다.

실험 결과

연구 질문

• RQ1 Configuration LP를 활용해 Stochastic Rewards를 고려한 온라인 매칭에서 Ranking 알고리즘에 비현실적이지 않은 경쟁 분석을 수행할 수 있는가?
• RQ2 Goyal과 Udwani(2020)의 Path-based LP를 유지하거나 향상시키면서도 더 단순하고 표현력 있는 LP 설정으로 대체할 수 있는가?
• RQ3 Stochastic Matching에서 Configuration LP를 사용할 경우 온라인 원시-쌍대 프레임워크에서 최적의 이득 분배 규칙은 무엇인가?
• RQ4 오프라인 정점과 그 이웃들의 공동 매칭 행동이 Stochastic Online Matching의 경쟁비율에 어떤 영향을 미치는가?
• RQ5 Configuration LP 기반 분석을 통해 Stochastic Balance의 경쟁비율을 0.596를 초월해 향상시킬 수 있는가?

주요 결과

• 무한소 성공 확률 조건 하에서 Stochastic Balance 알고리즘의 경쟁비율은 0.611을 달성하여 이전의 0.596 보다 향상되었다.
• 성공 확률이 동일할 경우, 새로운 Stochastic Configuration LP를 활용해 Stochastic Balance의 경쟁비율이 0.613으로 향상되었다.
• Configuration LP를 활용한 Ranking 알고리즘에 대한 첫 온라인 원시-쌍대 분석이 수립되었으며, 경쟁비율은 기존의 0.534에서 0.572로 향상되었다.
• Stochastic Configuration LP는 Goyal과 Udwani(2020)의 Path-based LP보다 더 작고 단순함에도 불구하고 동일한 스토하스틱 기준을 반영함을 입증하였다.
• 분석을 통해 Configuration LP에서 유도된 이중 변수가 요구 조건을 충족함을 확인하여, 새로운 설정 하에서 경쟁비율 보장을 보장한다.
• $ g(x) = e^{x-1} $ 를 선택하면 이중 기대치 상한이 $ 1 - 1/e $ 경쟁비율을 정확히 달성함을 보여주며, 이는 이론적 프레임워크의 타당성을 검증한다.