[논문 리뷰] Online Stochastic Matching: New Algorithms and Bounds

Brian Brubach, Karthik Abinav Sankararaman외 2명|arXiv (Cornell University)|2016. 06. 21.

Optimization and Search Problems참고 문헌 22인용 수 6

한 줄 요약

이 논문은 알려진 i.i.i.d. 모델 하에서 간선 가중치와 정점 가중치가 있는 이분 매칭에 대한 개선된 온라인 스토하스틱 매칭 알고리즘을 제안한다. 이는 분수형 선형계획법(LP) 해를 {0, 1/k, ..., 1} 내의 구조화된 점으로 투영하는 새로운 라운딩 기법을 사용하여 핵심 제약 조건을 유지한다. 주요 결과는 일반 간선 가중치에 대해 0.705의 경쟁비율과 정점 가중치에 대해 0.7299의 경쟁비율을 달성하여 이전의 경계를 크게 향상시킨다.

ABSTRACT

Online matching has received significant attention over the last 15 years due to its close connection to Internet advertising. As the seminal work of Karp, Vazirani, and Vazirani has an optimal (1 - 1/e) competitive ratio in the standard adversarial online model, much effort has gone into developing useful online models that incorporate some stochasticity in the arrival process. One such popular model is the "known I.I.D. model" where different customer-types arrive online from a known distribution. We develop algorithms with improved competitive ratios for some basic variants of this model with integral arrival rates, including (a) the case of general weighted edges, where we improve the best-known ratio of 0.667 due to Haeupler, Mirrokni and Zadimoghaddam to 0.705; and (b) the vertex-weighted case, where we improve the 0.7250 ratio of Jaillet and Lu to 0.7299. We also consider an extension of stochastic rewards, a variant where each edge has an independent probability of being present. For the setting of stochastic rewards with non-integral arrival rates, we present a simple optimal non-adaptive algorithm with a ratio of 1 - 1/e. For the special case where each edge is unweighted and has a uniform constant probability of being present, we improve upon 1 - 1/e by proposing a strengthened LP benchmark.

연구 동기 및 목표

• 알려진 i.i.d. 도착 모델 하에서 최고의 경쟁비율과 이론적 하한 사이의 격차를 좁히기.
• 정수 도착률을 가진 간선 가중치와 정점 가중치가 있는 온라인 이분 매칭을 위한 더 효과적인 알고리즘 개발.
• 기존 문헌에서 확립된 간선 가중치 매칭의 0.667 비율과 정점 가중치 매칭의 0.7250 비율을 초월하기.
• 알고리즘 설계를 이끄는 데 도움이 되는 추가된 타당 제약 조건을 가진 더 엄격한 LP 공식화를 탐색하기.
• 비정수 도착률을 가진 스토하스틱 보상 모델에서 1−1/e를 초월하는 경쟁비율을 달성할 수 있는지 조사하기.

제안 방법

• 선택한 정수 k에 대해 좌표가 {0, 1/k, 2/k, ..., 1}에 속하는 구조화된 해로 분수형 LP 해를 매핑하는 새로운 라운딩 프레임워크 제안.
• 의존적인 랜덤 라운딩을 사용하여 제거된 제약 조건의 기대값을 유지하면서 매칭 다면체 위의 타당성을 확보하기.
• 간선 가중치 설정에서 두 선택 기법의 능력을 향상시키기 위해 단일 LP 해에서 두 매칭을 구성하는 방법 도입.
• 분수 해를 개선하기 위해 타당 제약 조건을 추가한 후, 라운딩 과정에서 농도 성질을 유지하면서 이를 제거하여 LP 기준을 강화하기.
• 초기 분수 해에서 구조화된 해로의 랜덤 이동 과정에서 핵심 제약 조건의 기대값이 유지됨을 보여주는 확률적 분석 적용.
• 스토하스틱 보상과 정수 도착률을 위한 적응형 및 비적응형 알고리즘 설계를 이끄는 데 사용하기 위해 더 타당한 제약 조건을 가진 수정된 LP 공식화 적용.

실험 결과

연구 질문

• RQ1 정수 도착률을 가진 간선 가중치 온라인 스토하스틱 매칭에서 0.705를 초월하는 경쟁비율을 달성할 수 있는가?
• RQ2 알려진 i.i.d. 모델 하에서 정점 가중치 매칭의 경쟁비율을 0.7250을 초월할 수 있는가?
• RQ3 비정수 도착률을 가진 스토하스틱 보상 모델에서 1−1/e를 엄격히 초월하는 경쟁비율을 달성할 수 있는가?
• RQ4 비적응형 알고리즘이 비정수 도착률을 가진 스토하스틱 보상 모델에서 최적의 1−1/e 경쟁비율을 달성할 수 있는가?
• RQ5 의존적 라운딩에서 더 엄격한 LP 공식화와 더 긴 랜덤 목록이 정점 가중치 및 간선 가중치 설정에서 경쟁비율 향상에 얼마나 기여할 수 있는가?

주요 결과

• 논문은 정수 도착률을 가진 간선 가중치 온라인 스토하스틱 매칭에서 0.705의 경쟁비율을 달성하여 이전 최고의 0.667을 향상시켰다.
• 정점 가중치 케이스에서는 경쟁비율이 0.7299로 향상되어 이전 최고의 0.7250을 초월하였다.
• 비적응형 알고리즘이 비정수 도착률을 가진 스토하스틱 보상 모델에서 최적의 1−1/e 경쟁비율을 달성한다.
• 균일한 스토하스틱 보상이 있는 무게 없는 매칭의 경우, 적응형 알고리즘이 최소 0.702의 경쟁비율을 달성하여 이전에 엄밀한 것으로 여겨졌던 1−2e−2의 경계를 초월한다.
• 제안된 라운딩 방법은 높은 확률로 핵심 제약 조건을 근사적으로 유지하고 기대값으로 정확히 유지하여 더 강력한 이론적 보장을 가능하게 한다.
• 분석 결과 f′_u ≥ ln2/2 이면 경쟁비율이 최소 0.702로 유계이며, f′_u ≤ ln2/2 이면 최소 0.8로 유계이므로 전체적으로 최소 0.702의 균일한 하한을 확보한다.