[論文レビュー] Stochastic Online Metric Matching

Anupam Gupta, Guru Guruganesh+2 more|arXiv (Cornell University)|Jan 1, 2019

Optimization and Search Problems参考文献 37被引用数 3

ひとこと要約

この論文は、i.i.d. リクエスト到着下でのオンライン最小コストメトリック完全マッチングに対して、O((log log log n)²)-competitive なアルゴリズムを提示している。これは、敵対的およびランダム順序モデルにおける Ω(log n) の下界に対して顕著な改善である。本手法は、リアルタイムの空きサーバー分布に基づいてサーバー利用度を動的にバランスさせるフェアバイアマッチング戦略を用い、木構造ではほぼ定数の競合比を達成し、一般メトリクスでは確率的解析によるリクエスト-サーバーマッチング確率を用いて対数未満の競合比を達成する。

ABSTRACT

We study the minimum-cost metric perfect matching problem under online i.i.d arrivals. We are given a fixed metric with a server at each of the points, and then requests arrive online, each drawn independently from a known probability distribution over the points. Each request has to be matched to a free server, with cost equal to the distance. The goal is to minimize the expected total cost of the matching. Such stochastic arrival models have been widely studied for the maximization variants of the online matching problem; however, the only known result for the minimization problem is a tight $O(\log n)$-competitiveness for the random-order arrival model. This is in contrast with the adversarial model, where an optimal competitive ratio of $O(\log n)$ has long been conjectured and remains a tantalizing open question. In this paper, we show improved results in the i.i.d arrival model. We show how the i.i.d model can be used to give substantially better algorithms: our main result is an $O((\log \log \log n)^2)$-competitive algorithm in this model. Along the way we give a $9$-competitive algorithm for the line and tree metrics. Both results imply a strict separation between the i.i.d model and the adversarial and random order models, both for general metrics and these much-studied metrics.

研究の動機と目的

• オンラインメトリックマッチングにおける敵対的／ランダム順序モデルと i.i.d. モデルの間のギャップを埋めること。i.i.d. 到着は、より優れた競合比を実現可能にする。
• リクエスト到着の確率的性質を活用する新しいアルゴリズムを設計し、最悪ケースおよびランダム順序設定における既知の境界を上回ること。
• 一般メトリクスおよび構造的メトリクスにおいて、i.i.d. モデルと敵対的／ランダム順序モデルの間の明確な分離を確立すること。
• メトリック構造、特に木構造が、i.i.d. 到着下で定数競合比を達成可能であることを示すこと。これは敵対的モデルとは対照的である。

提案手法

• 各到着リクエストを、空きサーバー数の逆数に比例する確率でマッチングするフェアバイアマッチングアルゴリズムを提案。この確率はサーバーの位置とリクエストタイプに応じて調整される。
• オンラインアルゴリズムの期待コストが最適オフライン解に対してどのように制限されるかを示すための確率的解析フレームワークを用いる。
• i.i.d. リクエスト分布の均一性を活用し、一般性を失わず、すべてのリクエストタイプが等確率であると仮定することで解析を単純化する。
• 構造的補題を適用し、現在の空きサーバー集合に基づいて、各時刻における期待コストを寄与要因に分解する。
• 双対適合法と期待重み最大化を用いて、期待マッチングコストを最適解と関連づけ、競合比を証明する。
• マッチング確率ルールを高重みエッジを優遇するように変更することで、最大重みマッチング変種にアルゴリズムを拡張し、1/2-competitive の比を達成する。

実験結果

リサーチクエスチョン

• RQ1 i.i.d. 到着モデルは、敵対的およびランダム順序モデルにおける Ω(log n) の下界を超えて、オンライン最小コストメトリックマッチングで対数未満の競合比を実現可能か？
• RQ2 i.i.d. 到着下で、木メトリクスに根本的な構造的利点があるのか。これは、敵対的モデルとは異なり、定数競合比を達成可能である。
• RQ3 同じアルゴリズムフレームワークが、一般メトリクスでは改善された競合比を、木構造では定数競合比を達成可能か？
• RQ4 特に三角不等式を含むメトリック性の性質が、i.i.d. 到着下で有界な競合比を実現するために果たす役割は何か？
• RQ5 同じアルゴリズム的手法を最大化バージョンのオンラインマッチングに適応可能か。定数競合比を達成できるか？

主な発見

• 本論文は、i.i.d. 到着下でのオンライン最小コストメトリック完全マッチングに対して、O((log log log n)²)-competitive なアルゴリズムを提示しており、敵対的およびランダム順序モデルにおける Ω(log n) の下界に対して顕著な改善を示している。
• 木メトリクスでは、i.i.d. 到着下で 9-competitive なアルゴリズムを達成しており、これは最悪ケースモデルにおける 9+ε の下界を厳密に上回っている。
• アルゴリズムの競合比は、リアルタイムの空きサーバー数とリクエストタイプに基づいてサーバー利用度をバランスさせるフェアバイアマッチングルールから導出される。
• 解析により、最大重みマッチング変種において、オンラインアルゴリズムの期待コストが最適期待コストの半分以上であることが示され、1/2-competitive の比が達成された。
• 本論文は、メトリック性が本質的であることを示している。たとえ1つのエッジが三角不等式を満たさない場合でも、特に未知の i.i.d. 環境下では、競合比が無限大に発散する可能性がある。
• 結果として、i.i.d. モデルと敵対的およびランダム順序モデルとの間で明確な分離が確立され、確率的到着がはるかに優れた性能保証を可能にすることが示された。