[논문 리뷰] Improved Approximation Algorithms for Stochastic Matching

Marek Adamczyk, Fabrizio Grandoni외 1명|arXiv (Cornell University)|2015. 05. 06.

Organ Donation and Transplantation인용 수 7

한 줄 요약

이 논문은 간선이 확률적 존재를 가지며 노드가 프로브 시도를 제한하는 타임아웃을 가진 스토하스틱 매칭 문제에 대한 향상된 근사 알고리즘을 제시한다. 간선 확률에 기반한 비균일한 랜덤 프로브 순서를 도입하고, LP 라운딩 및 적응형 샘플링을 결합함으로써 이중 그래프에 대해 2.845-근사, 일반 그래프에 대해 3.709-근사의 성과를 달성하여 이전의 3 및 4의 상한보다 크게 향상시켰다. 온라인 이중 그래프 설정에서는 4.07-근사의 성과를 달성하여 이전의 7.92 상한을 개선했다.

ABSTRACT

In this paper we consider the Stochastic Matching problem, which is motivated by applications in kidney exchange and online dating. We are given an undirected graph in which every edge is assigned a probability of existence and a positive profit, and each node is assigned a positive integer called timeout. We know whether an edge exists or not only after probing it. On this random graph we are executing a process, which one-by-one probes the edges and gradually constructs a matching. The process is constrained in two ways: once an edge is taken it cannot be removed from the matching, and the timeout of node $v$ upper-bounds the number of edges incident to $v$ that can be probed. The goal is to maximize the expected profit of the constructed matching. For this problem Bansal et al. (Algorithmica 2012) provided a $3$-approximation algorithm for bipartite graphs, and a $4$-approximation for general graphs. In this work we improve the approximation factors to $2.845$ and $3.709$, respectively. We also consider an online version of the bipartite case, where one side of the partition arrives node by node, and each time a node $b$ arrives we have to decide which edges incident to $b$ we want to probe, and in which order. Here we present a $4.07$-approximation, improving on the $7.92$-approximation of Bansal et al. The main technical ingredient in our result is a novel way of probing edges according to a random but non-uniform permutation. Patching this method with an algorithm that works best for large probability edges (plus some additional ideas) leads to our improved approximation factors.

연구 동기 및 목표

• 노드 타임아웃 제약 조건 하에서 스토하스틱 매칭 문제에 대한 보다 나은 근사 알고리즘을 개발하기.
• Bansal 등이 확립한 이중 그래프에 대한 3-근사 및 일반 그래프에 대한 4-근사를 개선하기.
• 시간 제한이 있는 항목 프로브와 랜덤한 구매자 도착을 고려한 온라인 스토하스틱 매칭 문제를 다루기.
• 노드별 프로브 제한을 존중하면서 기대 수익을 최대화하는 프로브 전략을 설계하기.
• 비균일한 랜덤 순열과 LP 기반 라운딩을 활용해 간선 프로브 성공 확률의 분석을 정교화하기.

제안 방법

• 각 간선의 개별 확률에 기반한 비균일한 랜덤 간선 프로브 순서를 도입하여, 최대 인cidient 간선 확률이 아닌 개별 간선 확률을 우선순위로 삼기.
• 분수 해를 모델링하기 위해 LP 타월을 사용하고, 프로브 과정을 안내하기 위해 라운딩 기법을 적용하기.
• 비균일 프로브 전략을 이중 단계 전략과 결합하기: 고확률 간선은 별도로 처리하고, 프로브 가능성 확률을 제어하기 위해 덤프링 팩터를 사용하기.
• 온라인 도착 과정을 지수 분포 랜덤 변수를 사용해 모델링하여 랜덤한 구매자 순서를 시뮬레이션하고, 간선가 블로킹되지 않을 확률을 계산하기.
• 지수 변수의 독립성 및 무기억 성질을 활용해, 간선가 프로브되며 블로킹되지 않을 확률에 하한을 도출하기.
• 곱의 부등식과 적분 상한을 적용하여, LP 해를 기반으로 기대 수익에 대한 하한을 유도함으로써, 일정 요소 근사 성능을 달성하기.

실험 결과

연구 질문

• RQ1 균일한 랜덤 순서보다 비균일한 랜덤 프로브 순서가 스토하스틱 매칭의 근사 비율 향상에 기여할 수 있는가?
• RQ2 타임아웃 제약 조건 하에서 고확률 및 저확률 간선의 프로브를 어떻게 균형 있게 조절하여 기대 수익을 최대화할 수 있는가?
• RQ3 기존의 7.92-근사보다 더 효과적으로 랜덤한 구매자 도착을 고려한 온라인 스토하스틱 매칭 문제를 근사할 수 있는가?
• RQ4 무기억 도착 모델과 지수 랜덤 변수를 활용해 간선 프로브 성공 분석을 더욱 정교화할 수 있는가?
• RQ5 타임아웃 및 확률적 간선 제약 조건 하에서 일반 및 이중 스토하스틱 매칭의 최고 도달 가능한 근사 비율은 무엇인가?

주요 결과

• 논문은 이중 그래프에서 스토하스틱 매칭에 대해 2.845-근사의 성과를 달성하여 이전의 3-근사보다 향상시켰다.
• 일반 그래프의 경우 제안된 알고리즘이 3.709-근사의 성과를 달성하여 이전의 4-근사보다 개선했다.
• 온라인 이중 그래프 설정에서는 알고리즘이 4.07-근사의 성과를 달성하여 이전의 7.92-근사보다 크게 향상시켰다.
• 핵심적인 향상은 간선 확률 $ p_e $ 에 기반한 비균일 프로브 순서를 도입한 데 있으며, 이는 최대 인cidient 간선 확률이 아닌 개별 간선 확률에 기반한다.
• 분석 결과 각 간선 $ e $ 는 확률 $ x_e imes rac{e-1}{3e-1} $ 이상으로 프로브되며, 이는 $ rac{1}{4.16}x_e $ 를 초과하여 보다 날카로운 하한을 제공한다.
• 비균일 프로브 전략과 이중 단계 전략을 조합함으로써 저자들은 온라인 설정에서 4.07-근사의 성과를 달성했으며, 이는 $ 4.16^{-1} $ 에 임의로 가까이 갈 수 있는 잠재력을 지닌다.