[论文解读] A Tight Competitive Ratio for Online Submodular Welfare Maximization

Amit Ganz, Pranav Nuti+1 more|arXiv (Cornell University)|Jan 1, 2023

Complexity and Algorithms in Graphs被引用 1

一句话总结

本文提出了一种用于子模福利最大化的随机在线算法，在对抗性到达顺序下具有紧致的竞争比1/4，在随机顺序到达下则实现了约0.27493的改进比。该方法通过精细化分析残余随机贪心（RRG）算法，引入一种平滑变体，通过更好地处理各轮迭代中的边际增益，提升了在随机顺序设置下的性能。

ABSTRACT

In this paper we consider the online Submodular Welfare (SW) problem. In this problem we are given $n$ bidders each equipped with a general (not necessarily monotone) submodular utility and $m$ items that arrive online. The goal is to assign each item, once it arrives, to a bidder or discard it, while maximizing the sum of utilities. When an adversary determines the items' arrival order we present a simple randomized algorithm that achieves a tight competitive ratio of $ icefrac{1}{4}$. The algorithm is a specialization of an algorithm due to [Harshaw-Kazemi-Feldman-Karbasi MOR`22], who presented the previously best known competitive ratio of $3-2\sqrt{2}\approx 0.171573 $ to the problem. When the items' arrival order is uniformly random, we present a competitive ratio of $\approx 0.27493$, improving the previously known $ icefrac{1}{4}$ guarantee. Our approach for the latter result is based on a better analysis of the (offline) Residual Random Greedy (RRG) algorithm of [Buchbinder-Feldman-Naor-Schwartz SODA`14], which we believe might be of independent interest.

研究动机与目标

• 解决具有非单调子模效用和不可拆分物品的在线子模福利问题。
• 在随机顺序到达模型下，将在线子模福利最大化的竞争比提升至超过先前1/4的保证。
• 为对抗性到达顺序下的在线子模福利问题提供紧致的竞争比1/4，与已知的下界一致。
• 通过平滑变体重新分析残余随机贪心（RRG）算法，以在随机顺序设置下实现更优性能。
• 为在对抗性和随机物品到达顺序下在线算法的理论保证提供支持。

提出的方法

• 提出残余随机贪心（RRG）算法的平滑版本，其中迭代次数基于划分拟阵中剩余部分数的几何分布进行随机化。
• 使用概率分析证明：在每轮迭代中，每个元素被选中的概率恰好为1/k，从而确保公平性并控制边际增益期望。
• 在拟阵结构中应用基交换论证，以界定每一步的函数值期望改进。
• 推导出期望函数值增加的递推不等式：E[f(Si)] - E[f(Si−1)] ≥ (1/k)(f(OSi−1 ∪ Si−1) - f(Si−1))。
• 建立关键不等式：E[f(OSi ∪ Si)] ≥ (1 - 2/k)E[f(OSi−1 ∪ Si−1)] + (1/k)E[f(Si−1)]，从而实现对整体近似比的界定。
• 通过仔细分析各轮迭代中期望增益与损失项的关系，证明平滑RRG算法在随机顺序设置下可实现至少0.27493的竞争比。

实验结果

研究问题

• RQ1 在对抗性物品到达下，在线子模福利最大化的最佳可能竞争比是多少？
• RQ2 在非单调子模目标的随机顺序到达模型下，竞争比能否超越1/4？
• RQ3 当残余随机贪心（RRG）算法的迭代次数在随机顺序设置下被随机化（即平滑版本）时，其性能如何变化？
• RQ4 与原始RRG相比，平滑RRG方法为何能实现改进的竞争比？其理论依据是什么？
• RQ5 1/4的竞争比是否对具有非单调效用的对抗性在线子模福利问题为紧致？

主要发现

• 本文在对抗性物品到达下，为在线子模福利问题建立了紧致的竞争比1/4，与已知下界一致。
• 在随机顺序到达模型下，所提出的平滑RRG算法实现了约0.27493的竞争比，优于先前已知的最佳保证1/4。
• 该改进比通过精细化分析残余随机贪心（RRG）算法实现，其中迭代次数基于划分拟阵中剩余部分的几何分布进行随机化。
• 分析表明：在每轮迭代中，每个元素被选中的概率恰好为1/k，从而可精确控制期望边际增益。
• 推导并应用关键不等式：E[f(OSi ∪ Si)] ≥ (1 - 2/k)E[f(OSi−1 ∪ Si−1)] + (1/k)E[f(Si−1)]，用于界定迭代过程中期望函数值的增加。
• 证明平滑RRG算法在分布上等价于原始RRG算法在随机迭代次数下的情形，为理解其在随机顺序设置下的性能提供了新视角。