[논문 리뷰] Online Stochastic Matching: Beating 1-1/e

Jon Feldman, Aranyak Mehta외 2명|ArXiv.org|2009. 05. 26.

Optimization and Search Problems참고 문헌 8인용 수 40

한 줄 요약

이 논문은 i.i.d. 모델 하에서 오랫동안 유지되어 온 $1 - 1/e \approx 0.632$ 근사 경계를 뛰어넘는 새로운 온라인 스토하스틱 매칭 알고리즘을 제안한다. 이 알고리즘은 강화된 플로우 그래프에서 두 개의 서로소 오프라인 매칭을 계산하고, 우선순위 기반 온라인 할당에 사용하여 약 $\approx 0.67$의 경쟁 비율을 달성한다. 이 방법은 두 가지 선택의 힘과 새로운 컷 기반 상한 분석을 활용하여 결과의 날카운성과 최적성을 증명한다.

ABSTRACT

We study the online stochastic bipartite matching problem, in a form motivated by display ad allocation on the Internet. In the online, but adversarial case, the celebrated result of Karp, Vazirani and Vazirani gives an approximation ratio of $1-1/e$. In the online, stochastic case when nodes are drawn repeatedly from a known distribution, the greedy algorithm matches this approximation ratio, but still, no algorithm is known that beats the $1 - 1/e$ bound. Our main result is a 0.67-approximation online algorithm for stochastic bipartite matching, breaking this $1 - {1/e}$ barrier. Furthermore, we show that no online algorithm can produce a $1-ε$ approximation for an arbitrarily small $ε$ for this problem. We employ a novel application of the idea of the power of two choices from load balancing: we compute two disjoint solutions to the expected instance, and use both of them in the online algorithm in a prescribed preference order. To identify these two disjoint solutions, we solve a max flow problem in a boosted flow graph, and then carefully decompose this maximum flow to two edge-disjoint (near-)matchings. These two offline solutions are used to characterize an upper bound for the optimum in any scenario. This is done by identifying a cut whose value we can bound under the arrival distribution.

연구 동기 및 목표

• i.i.d. 모델 하에서 오랜 기간 동안 도전해 온 $1 - 1/e$ 근사 한계를 극복하기 위해.
• 스토하스틱 환경에서 그레디 알고리즘과 Karp-Vazirani-Vazirani 경계를 초월하는 온라인 알고리즘을 설계하기 위해.
• 임의로 작은 $\epsilon$에 대해 $1 - \epsilon$ 근사치를 달성할 수 없는 온라인 알고리즘의 이론적 한계를 규명하여, $1 - 1/e$ 경계가 최적의 것이 아님을 증명하기 위해.
• 오프라인 해를 의사결정 가이드로 사용하는 일반화 가능한 프레임워크를 개발하여 실세계 광고 할당 시스템에 적용하기 위해.

제안 방법

• 기대 이분 그래프에서 강화된 플로우 그래프를 구성하고 최대 플로우를 계산하여 타당한 해를 식별한다.
• 신중한 플로우 분해 기법을 사용하여 최대 플로우를 두 개의 간선으로 분리된 (근사) 매칭으로 분해한다.
• 온라인 할당 중에 두 오프라인 매칭을 우선순위 순서로 활용: 첫 번째 매칭을 먼저 尝시도하고, 실패할 경우 두 번째 매칭을 사용한다.
• 오프라인 해 구조에 따라 안내되는 시나리오 그래프에서 컷을 식별하여 최적 해에 대한 상한을 설정한다.
• 새로운 컷 기반 분석을 적용하여 기대 최적 해를 유계화함으로써 날카로운 성능 보장을 가능하게 한다.
• i.i.d. 도착 모델 하에서 고확률 성능을 보여주기 위해 확률적 농도 경계(예: Chernoff)를 사용한다.

실험 결과

연구 질문

• RQ1 i.i.d. 온라인 스토하스틱 이분 매칭 모델에서 온라인 알고리즘이 $1 - 1/e$를 엄격히 초월하는 경쟁 비율을 달성할 수 있는가?
• RQ2 기대 그래프의 어떤 구조적 성질이 온라인 스토하스틱 환경에서 $1 - 1/e$를 초월하는 근사치를 가능하게 하는가?
• RQ3 이 스토하스틱 환경에서 온라인 알고리즘이 최적에 얼마나 가까이 갈 수 있는지에 대한 본질적인 한계가 존재하는가?
• RQ4 두 가지 선택의 힘을 오프라인 해 분해를 통해 온라인 매칭에 효과적으로 적용할 수 있는가?
• RQ5 오프라인 해는 온라인 결정을 안내하는 것 외에도 스토하스틱 시나리오에서 최적 해를 유계화하는 데 어떻게 활용될 수 있는가?

주요 결과

• 제안된 알고리즘은 $\frac{1 - \frac{2}{e^2}}{\frac{4}{3} - \frac{2}{3e}} \approx 0.67$의 경쟁 비율을 달성하며, 이는 $1 - 1/e \approx 0.632$ 경계를 엄격히 초월한다.
• 분석은 날카롭다: 구성된 예시는 알고리즘이 정확히 이 비율을 달성함을 보여주며, 이는 방법으로서의 경계 향상이 불가능함을 증명한다.
• 임의로 작은 $\epsilon$에 대해 $1 - \epsilon$ 근사치를 달성할 수 있는 온라인 알고리즘은 존재하지 않으며, 특히 근사 비율은 $26/27 \approx 0.99$ 이상으로 1에서 멀리 떨어져 있다.
• 강화된 플로우 그래프와 간선으로 분리된 분해를 사용하는 두 오프라인 매칭 접근법은 그레디나 단일 오프라인 매칭 전략보다 증명 가능하게 더 나은 성능을 제공한다.
• 오프라인 해에서 유도된 컷 기반 상한 기법은 분석의 날카로움을 증명하고 근사 비율을 확립하는 데 핵심적인 역할을 한다.
• 프레임워크는 $k$-매칭 알고리즘으로 일반화 가능하며, 이론적 경계는 $k=2$일 때 $1 - \frac{2}{e^2} \approx 0.72$이고 $k=3$일 때 $1 - \frac{5}{e^3} \approx 0.75$이다. 다만 $k=3$를 초월한 일반화 문제는 아직 열려 있다.