[논문 리뷰] Online Primal Dual Meets Online Matching with Stochastic Rewards: Configuration LP to the Rescue

Zhiyi Huang, Qiankun Zhang|arXiv (Cornell University)|2020. 02. 05.

Optimization and Search Problems참고 문헌 28인용 수 4

한 줄 요약

이 논문은 표준 매칭 선형계획(LP) 대신 구성형 선형계획을 사용하여 확률적 보상이 있는 온라인 매칭 문제에 랜덤화된 온라인 원 primal dual 프레임워크를 새로운 응용으로 도입한다. 비균형이고 점점 줄어드는 확률에 대해 0.572의 경쟁비율을 달성하며, 이는 이전 최고 기준인 0.534를 능가하고, 동일하고 점점 줄어드는 확률에 대해서는 0.576의 경쟁비율을 기록하여 이 분야에서 오랫동안 남아있던 열린 문제를 해결한다.

ABSTRACT

Mehta and Panigrahi (FOCS 2012) introduce the problem of online matching with stochastic rewards, where edges are associated with success probabilities and a match succeeds with the probability of the corresponding edge. It is one of the few online matching problems that have defied the randomized online primal dual framework by Devanur, Jain, and Kleinberg (SODA 2013) thus far. This paper unlocks the power of randomized online primal dual in online matching with stochastic rewards by employing the configuration linear program rather than the standard matching linear program used in previous works. Our main result is a 0.572 competitive algorithm for the case of vanishing and unequal probabilities, improving the best previous bound of 0.534 by Mehta, Waggoner, and Zadimoghaddam (SODA 2015) and, in fact, is even better than the best previous bound of 0.567 by Mehta and Panigrahi (FOCS 2012) for the more restricted case of vanishing and equal probabilities. For vanishing and equal probabilities, we get a better competitive ratio of 0.576. Our results further generalize to the vertex-weighted case due to the intrinsic robustness of the randomized online primal dual analysis.

연구 동기 및 목표

• 확률적 보상이 있는 온라인 매칭 문제에서 알려진 상한과 하한 사이의 격차를 좁히기, 특히 점점 줄어드는 비균형 성공 확률의 경우에 중점을 두어.
• 이 문제에 대해 이전에 효과적이지 않았던 랜덤화된 온라인 원 primal dual 프레임워크를 구성형 선형계획을 사용하여 확장하기.
• 특히 점점 줄어드는 확률 한계에서 비균형 및 균형 확률 영역 모두에서 향상된 경쟁비율을 달성하기.
• 구성형 LP의 강건성과 랜덤화된 원 primal dual 분석을 통해 정점 가중치가 있는 설정으로 결과를 일반화하기.

제안 방법

• 온라인 정점의 부하를 균형 있게 분산시키기 위해 온라인 매칭 프로세스를 더 잘 모델링하기 위해 표준 매칭 LP 대신 구성형 LP를 도입한다.
• 오프라인 정점에 임계값을 할당하여 매칭 행동을 제어하기 위해 임계값 기반 및 부하 균형 기반의 이중 변수 갱신 규칙을 제안한다.
• 각 매칭된 간선의 기대 보상 $ p $ 를 그 끝점의 이중 변수 $ \alpha_u $ 와 $ \beta_v $ 사이에 나누어 주는 수익 공유 메커니즘을 사용한다.
• 최적의 이중 함수 $ f(\theta) $ 를 유도하기 위해 미분부등식 접근법을 사용하며, 이는 기대 이중 이득이 경쟁비율 요구 조건을 충족하도록 보장한다.
• 랜덤 임계값 하에서 이중 변수 $ \alpha_u $ 와 $ \beta_v $ 의 기대 기여도를 분석하며, $ \theta_u < \ell_u^\infty $ 일 때 $ \beta_v $ 가 0으로 내려가는 것은 표준 LP 분석에서의 주요 장애물이다.
• 구성형 LP가 표준 LP 분석에서 관찰되는 온라인 측 기여의 급격한 감소를 피할 수 있어 더 높은 경쟁비율을 달성할 수 있음을 입증한다.

실험 결과

연구 질문

• RQ1 랜덤화된 온라인 원 primal dual 프레임워크는 이전에 이러한 방법에 저항적이었던 확률적 보상이 있는 온라인 매칭 문제에 성공적으로 적용될 수 있는가?
• RQ2 왜 표준 매칭 LP는 이 설정에서 0.5를 초월하는 경쟁비율을 달성하지 못하는가? 이는 어떤 구조적 한계를 드러내는가?
• RQ3 구성형 LP는 임계값이 최대 부하 용량 이하로 떨어질 때 온라인 측 기여도 손실를 완화할 수 있는가?
• RQ4 비균형이고 점점 줄어드는 성공 확률에 대해 구성형 LP를 랜덤화된 온라인 원 primal dual 프레임워크와 함께 사용할 경우 어떤 경쟁비율을 달성할 수 있는가?
• RQ5 균형 및 비균형 확률 영역 모두에서 Stochastic Balance 및 Semi-Adaptive와 같은 이전 알고리즘과 비교해 경쟁비율은 어떻게 되는가?

주요 결과

• 제안된 알고리즘은 비균형이고 점점 줄어드는 성공 확률 조건 하에서 확률적 보상이 있는 온라인 매칭 문제에 대해 0.572의 경쟁비율을 달성하며, 이는 이전 최고 기준인 0.534를 능가한다.
• 동일하고 점점 줄어드는 확률 조건에서는 경쟁비율이 0.576에 도달하여 Stochastic Balance에서 이전 최고 기준인 0.567을 초월한다.
• 구성형 LP는 온라인 측 이중 기여도의 부드러운 감소를 가능하게 하여 표준 LP 분석에서 관찰되는 급격한 0으로의 감소를 피함으로써 성능 향상을 설명한다.
• 구성형 LP 프레임워크 하에서 랜덤화된 온라인 원 primal dual 분석의 강건성 덕분에 정점 가중치가 있는 설정으로의 확장도 성공적으로 수행된다.
• 분석을 통해 표준 매칭 LP는 이 설정에서 온라인 측 이중 기여도의 근본적 장애물으로 인해 0.5를 초월할 수 없음을 입증한다.
• 모든 $ \theta \geq 0 $ 에 대해 최적의 이중 함수 $ f(\theta) = 0.5 $ 를 얻을 경우 표준 LP 하에서 0.5의 경쟁비율을 얻으며, 이는 그 한계를 확인한다.