[论文解读] Online Bipartite Matching with Advice: Tight Robustness-Consistency Tradeoffs for the Two-Stage Model

Billy Jin, Will Ma|arXiv (Cornell University)|Jun 22, 2022

Complexity and Algorithms in Graphs被引用 13

一句话总结

本文提出了一种新颖的建议增强型在线二分图匹配算法，用于两阶段顶点加权模型，实现了鲁棒性（最坏情况性能）与一致性（建议正确时的性能）之间的紧密帕累托最优权衡。证明了由 √(1−R) + √(1−C) = 1 定义的权衡曲线是最优的，任何算法都无法在 R ≤ 3/4 的情况下实现更优的鲁棒性-一致性配对。

ABSTRACT

Two-stage bipartite matching is a fundamental problem of optimization under uncertainty introduced by Feng, Niazadeh, and Saberi (2021), who study it under the stochastic and adversarial paradigms of uncertainty. We propose a method to interpolate between these paradigms, using the Algorithms with Predictions (ALPS) framework. To elaborate, given some form of information (e.g. a distributional prediction) about the uncertainty, we consider the optimal decision assuming that information is correct to be some "advice", whose accuracy is unknown. In the ALPS framework, we define Consistency to be an algorithm's performance relative to the advice, and Robustness to be an algorithm's performance relative to the hindsight-optimal decision. We characterize the tight tradeoff between Consistency and Robustness for four settings of two-stage matching: unweighted, vertex-weighted, edge-weighted, and fractional budgeted allocation. Additionally, we show our algorithm achieves state-of-the-art performance in both synthetic and real-data simulations.

研究动机与目标

• 解决建议增强型在线二分图匹配中的鲁棒性与一致性之间的基本权衡问题。
• 刻画两阶段顶点加权在线二分图匹配问题中鲁棒性与一致性的帕累托有效前沿。
• 设计一种在建议正确时的性能与最坏情况下的性能之间实现最紧密权衡的算法。
• 提供一种系统化的方法，以平衡对建议的依赖与最坏情况下的鲁棒性。

提出的方法

• 该算法通过两阶段匹配问题的分数松弛推导出最优决策规则。
• 引入基于每个供给顶点是否被建议的阶段相关惩罚函数。
• 通过竞争比界分析算法性能，其中鲁棒性定义为算法性能与最优离线匹配性能的下确界之比。
• 一致性定义为算法性能与建议匹配策略性能的下确界之比。
• 通过以鲁棒性 R 参数化的连续算法族推导出权衡前沿，一致性 C 由方程 √(1−R) + √(1−C) = 1 确定。
• 理论分析证明，任何其他算法都无法实现优于所提家族的鲁棒性-一致性权衡。

实验结果

研究问题

• RQ1 在带建议的两阶段顶点加权在线二分图匹配中，鲁棒性与一致性之间最紧密的可能权衡是什么？
• RQ2 一个单一的算法框架能否实现该问题的所有帕累托有效鲁棒性-一致性配对？
• RQ3 在建议质量变化时，建议增强型算法的性能与建议无关基线相比如何？
• RQ4 即使建议被污染，将建议纳入决策过程是否仍能提升竞争比？
• RQ5 是否存在一种系统化的方法来选择对建议的依赖程度？当建议高度可信时，设置 R > 0 是否仍具有优势？

主要发现

• 所提算法实现了由 √(1−R) + √(1−C) = 1 定义的鲁棒性-一致性权衡，该权衡被证明是最优且无法被任何其他算法改进。
• 当 R = 0.75 时，即使高达 50% 的建议边被污染，该算法仍优于 Feng 等人（2021）提出的 3/4-竞争比基线算法。
• 当建议完美时（p = 0），R = 0.15 的算法几乎与完全遵循建议的性能相当，但在建议被污染时表现显著更优。
• 当 p = 0.5 时，R = 0.6 的算法仅略逊于 R = 0.75，但在 p 较小时表现显著更优，表明即使在高置信度建议下，R > 0 仍具优势。
• 权衡曲线呈凹形，R = 0.75 附近斜率最陡，R = 0 附近较平缓，表明在 R ≈ 0 附近小幅提升鲁棒性可带来一致性上的大幅增益。
• 实验结果证实，具有中间 R 值（如 R = 0.15、0.3、0.6）的建议感知算法在所有污染水平下均优于建议无关基线和纯建议跟随策略。