[論文レビュー] Online Stochastic Matching with Edge Arrivals

Nick Gravin, Zhihao Gavin Tang+1 more|arXiv (Cornell University)|Nov 12, 2019

Optimization and Search Problems参考文献 32被引用数 3

ひとこと要約

本稿は、既知の確率分布に従って確率的に実現されるエッジの到着を想定するオンライン確率的マッチングに対して、新たな prune-and-greedy フレームワークを提案する。低確率エッジを戦略的に pruning し、グリーディマッチング方針を適用することで、2-正則な確率的二部グラフでは 0.552-competitive ratio を達成し、一般のグラフでは 0.503-competitive を達成した。これは、敵対的エッジ到着モデルにおけるグリーディアルゴリズムの 0.5 の最悪ケース限界を上回る。

ABSTRACT

Online bipartite matching with edge arrivals remained a major open question for a long time until a recent negative result by Gamlath et al., who showed that no online policy is better than the straightforward greedy algorithm, i.e., no online algorithm has a worst-case competitive ratio better than 0.5. In this work, we consider the bipartite matching problem with edge arrivals in a natural stochastic framework, i.e., Bayesian setting where each edge of the graph is independently realized according to a known probability distribution. We focus on a natural class of prune & greedy online policies motivated by practical considerations from a multitude of online matching platforms. Any prune & greedy algorithm consists of two stages: first, it decreases the probabilities of some edges in the stochastic instance and then runs greedy algorithm on the pruned graph. We propose prune & greedy algorithms that are 0.552-competitive on the instances that can be pruned to a 2-regular stochastic bipartite graph, and 0.503-competitive on arbitrary stochastic bipartite graphs. The algorithms and our analysis significantly deviate from the prior work. We first obtain analytically manageable lower bound on the size of the matching, which leads to a non-linear optimization problem. We further reduce this problem to a continuous optimization with a constant number of parameters that can be solved using standard software tools.

研究の動機と目的

• エッジ到着モデルにおいて、オンラインアルゴリズムがグリーディアルゴリズムを上回ることのできるかどうかという長年の未解決問題に取り組むこと。これは、以前の研究で敵対的設定下では不可能であると示されていた。
• 確率的情報（既知のエッジ確率）を活用して、0.5 の competitive ratio の壁を超える、実用的かつ理論的に整合性のあるオンラインマッチング方針を設計すること。
• エッジ形成が高コストで確率的であるが、マッチングの前段階でプラットフォームが干渉可能な、職業マッチング、デート、不動産など、実世界のオンラインプラットフォームをモデル化するフレームワークを開発すること。

提案手法

• 2段階の prune-and-greedy 政策を導入する：まず、確率的グラフ内の特定のエッジの確率を低減し、次に、pruning されたインスタンスに対してグリーディマッチングアルゴリズムを適用する。
• 期待マッチングサイズを束縛する非線形最適化問題を導出し、それを解釈可能なパラメータ数が定数個の連続的最適化問題に簡略化する。
• エッジバッチの分割を用いたマッチングサイズに対する新しい解析的下界を導出し、対数および指数関数的項を含む重要な不等式を導出し、pruning による利得と損失を比較する。
• コンピュータ支援証明と数値的検証を用いて、競合比保証を裏付ける重要な不等式（例：h3(x, q) ≥ 0）を確立する。
• 集中と減衰率解析を用いて、各頂点に接続するエッジからの期待マッチングゲインを束縛し、log-normalized degree c を主要パラメータとして用いる。
• 硬いインスタンスの構築（図2）を用いて、最適競合比の上界が 2/3 であることを示し、理論的上界を確立する。

実験結果

リサーチクエスチョン

• RQ1 エッジ到着モデルにおいて、オンラインマッチングアルゴリズムが敵対的設定下でも 0.5 を超える競合比を達成できるか？
• RQ2 確率的エッジ確率を活用できる実用的オンライン方針を設計することは可能か？ これは、データ豊富な実際のプラットフォームでグリーディアルゴリズムを上回る性能を達成する。
• RQ3 確率的エッジ実現の下で、エッジ到着モデルにおけるオンラインマッチングの理論的限界は何か？
• RQ4 解析的保証を持つ prune-and-greedy フレームワークは、確率的エッジ到着モデルにおいてグリーディベースラインを上回る性能を達成できるか？
• RQ5 確率的エッジ到着モデルで達成可能な最適競合比は何か？ また、グラフ構造とエッジ確率分布にどのように依存するか？

主な発見

• 提案された prune-and-greedy アルゴリズムは、2-正則構造にまで pruning 可能な確率的二部グラフで 0.552-competitive ratio を達成する。
• 任意の二部グラフにおいて、アルゴリズムは 0.503-competitive を達成し、敵対的エッジ到着モデルにおけるグリーディアルゴリズムの 0.5 の最悪ケース限界を超える。
• 解析により、パラメータ数が定数個の連続的最適化問題に還元された非線形最適化問題が導出され、標準的なソフトウェアツールで解ける。
• コンピュータ支援証明により、重要な不等式（h3(x, q) ≥ 0）が検証され、エッジの分割による利得が損失を上回ることを保証し、競合比の境界を裏付ける。
• 2n 個の頂点と3種類のエッジ（タイプ1, 2, 3）を含む硬いインスタンスを構築することで、いかなるオンラインアルゴリズムも 2/3 の競合比を超えることはできないことが示され、理論的上界が確立された。
• 数値的検証により、導出されたマッチングゲインの下界が、c=2 かつ δᵤ ≤ 1−e⁻² のとき 1.98·δ²ᵤ を上回ることを確認した。これは、一般のグラフにおける 0.503-competitive ratio の裏付けとなる。