[논문 리뷰] Online Stochastic Matching, Poisson Arrivals, and the Natural Linear Program

Zhiyi Huang, Xinkai Shu|arXiv (Cornell University)|2021. 03. 24.

Optimization and Search Problems참고 문헌 23인용 수 8

한 줄 요약

이 논문은 i.i.d. 온라인 정점 도착 조건 하에서 온라인 스토하스틱 매칭을 위한 향상된 경쟁 알고리즘을 제안한다. 포아송 도착 모델을 도입하여 분석을 단순화하고, 새로운 분할된 상관 샘플링 기법을 사용한다. 자연스러운 선형 프로그래밍의 구조적 성질과 젠센의 부등식의 역을 활용하여, 무게 없는 매칭의 경우 0.711의 경쟁 비율과 정점 무게가 있는 매칭의 경우 0.7009의 경쟁 비율을 달성한다. 이는 이전 연구보다 향상된 결과이며, 모두 이전 연구를 초월한다.

ABSTRACT

We study the online stochastic matching problem. Consider a bipartite graph with offline vertices on one side, and with i.i.d.online vertices on the other side. The offline vertices and the distribution of online vertices are known to the algorithm beforehand. The realization of the online vertices, however, is revealed one at a time, upon which the algorithm immediately decides how to match it. For maximizing the cardinality of the matching, we give a $0.711$-competitive online algorithm, which improves the best previous ratio of $0.706$. When the offline vertices are weighted, we introduce a $0.7009$-competitive online algorithm for maximizing the total weight of the matched offline vertices, which improves the best previous ratio of $0.662$. Conceptually, we find that the analysis of online algorithms simplifies if the online vertices follow a Poisson process, and establish an approximate equivalence between this Poisson arrival model and online stochstic matching. Technically, we propose a natural linear program for the Poisson arrival model, and demonstrate how to exploit its structure by introducing a converse of Jensen's inequality. Moreover, we design an algorithmic amortization to replace the analytic one in previous work, and as a result get the first vertex-weighted online stochastic matching algorithm that improves the results in the weaker random arrival model.

연구 동기 및 목표

• 이 prior의 분포는 알려져 있으나 실현값이 순차적으로 노출되는 i.i.d. 온라인 정점 도착 조건 하에서 온라인 스토하스틱 매칭의 경쟁 비율을 향상시키는 것.
• 기존 연구에서 정점 무게가 있는 경우에 대해 추가 가정 없이 무작위 순서 모델에서의 개선이 이루어지지 않은 한계를 극복하는 것.
• 포아송 도착 모델을 도입하여 경쟁 분석을 단순화하고, 渐近적 독립성을 진정한 독립성으로 전환하는 것.
• 온라인 스토하스틱 매칭 환경에서 더 강력한 성능 보장을 가능하게 하는 새로운 알고리즘 프레임워크인 분할된 상관 샘플링을 개발하는 것.
• 포아송 도착 모델과 원래의 온라인 스토하스틱 매칭 모델 간의 엄밀한 연결 고리를 확립하여, 포아송 모델에서 유도된 경쟁 비율이 원래 모델로도 확장됨을 보이는 것.

제안 방법

• 온라인 정점 수가 포아송 분포를 따르는 포아송 도착 모델을 도입하여, 사건 분석에서 정확한 독립성을 확보하고 경쟁 비율 유도를 단순화한다.
• 포아송 도착 모델을 위한 자연스러운 선형 프로그래밍을 제안하여 기대 매칭 행동를 기록하고 알고리즘 설계를 안내한다.
• 상관 샘플링 하에서 기대 매칭 확률을 분석하기 위해 젠센의 부등식의 역을 개발하여 경쟁 비율에 대한 더 견고한 경계를 확보한다.
• 오프라인 정점 무게와 기대 가용성에 기반해 매칭 확률을 동적으로 조정하는 분할된 상관 샘플링 메커니즘을 설계하여, 이전 연구에서 사용된 분석적 분할 보정 방식을 초월한다.
• 탐색과 이용의 균형을 맞추기 위해 감쇠 함수 δ(x)를 사용하는 수정된 쌍 샘플링 전략을 도입하여 고무량 정점에 대해 높은 매칭 확률을 보장한다.
• 포아송 모델에서의 알고리즘 성능이 O(1)-근사 단조성 논증을 통해 원래의 온라인 스토하스틱 매칭 모델로 확장됨을 증명한다.

실험 결과

연구 질문

• RQ1 더 강력한 확률적 가정 하에 무게 없는 경우에서 0.706을 초월하는 경쟁 비율을 달성할 수 있는가?
• RQ2 무거운 무게가 있는 온라인 스토하스틱 매칭 알고리즘을 설계하여, 더 약한 무작위 순서 모델에서의 최고 성능 결과를 뛰어넘을 수 있는가?
• RQ3 온라인 도착을 포아송 과정으로 모델링하면 온라인 매칭 알고리즘의 분석을 단순화하면서도 경쟁 보장을 유지할 수 있는가?
• RQ4 포아송 도착 모델에 대한 자연스러운 선형 프로그래밍이 개선된 경쟁 비율 도출에 효과적으로 활용될 수 있는가?
• RQ5 분할된 상관 샘플링을 어떻게 정의화하여 분석적 분할 보정을 대체하고 정점 무게가 있는 설정에서 더 나은 성능을 달성할 수 있는가?

주요 결과

• 논문은 무게 없는 온라인 스토하스틱 매칭에서 0.711의 경쟁 비율을 달성하여 이전 최고 기록인 0.706을 초월한다.
• 정점 무게가 있는 온라인 스토하스틱 매칭의 경우, 제안된 알고리즘이 무작위 순서 모델에서의 이전 최고 기록인 0.662를 뛰어넘는 0.7009의 경쟁 비율을 달성한다.
• 포아송 도착 모델은 渐진적 독립성을 정확한 독립성으로 전환함으로써 분석을 더 깔끔하게 만들며, 경쟁 비율 도출을 단순화한다.
• 저자들은 포아송 모델에서 도출된 경쟁 비율이 원래의 온라인 스토하스틱 매칭 모델로까지 확장됨을 입증한다. 다만 소수의 곱셈 인자만 존재한다.
• 분할된 상관 샘플링 기법은 분석적 분할 보정을 성공적으로 대체하여, 정점 무게가 있는 온라인 스토하스틱 매칭 설정에서의 첫 번째 개선을 이룬다.
• 수치적 검증을 통해 각 오프라인 정점의 매칭 확률 하한값이 그 무게의 0.7009배를 초과함을 확인하여 경쟁 비율의 타당성을 검증한다.