[论文解读] Edge-Weighted Online Bipartite Matching

Matthew Fahrbach, Zhiyi Huang+2 more|arXiv (Cornell University)|May 5, 2020

Optimization and Search Problems参考文献 33被引用 4

一句话总结

本论文提出了首个突破长期存在的1/2竞争比瓶颈的边权二分图匹配在线算法，通过一种新颖的在线相关选择（OCS）子程序，实现了0.5086的竞争比。该方法采用在线对偶框架，优化了收益分配参数，并引入γ-OCS以在决策间强制负相关，从而在性能上超越贪心方法。

ABSTRACT

Online bipartite matching and its variants are among the most fundamental problems in the online algorithms literature. Karp, Vazirani, and Vazirani (STOC 1990) introduced an elegant algorithm for the unweighted problem that achieves an optimal competitive ratio of $1-1/e$. Later, Aggarwal et al. (SODA 2011) generalized their algorithm and analysis to the vertex-weighted case. Little is known, however, about the most general edge-weighted problem aside from the trivial $1/2$-competitive greedy algorithm. In this paper, we present the first online algorithm that breaks the long-standing $1/2$ barrier and achieves a competitive ratio of at least $0.5086$. In light of the hardness result of Kapralov, Post, and Vondrák (SODA 2013) that restricts beating a $1/2$ competitive ratio for the more general problem of monotone submodular welfare maximization, our result can be seen as strong evidence that edge-weighted bipartite matching is strictly easier than submodular welfare maximization in the online setting. The main ingredient in our online matching algorithm is a novel subroutine called online correlated selection (OCS), which takes a sequence of pairs of vertices as input and selects one vertex from each pair. Instead of using a fresh random bit to choose a vertex from each pair, the OCS negatively correlates decisions across different pairs and provides a quantitative measure on the level of correlation. We believe our OCS technique is of independent interest and will find further applications in other online optimization problems.

研究动机与目标

• 突破边权在线二分图匹配中长期存在的1/2竞争比瓶颈。
• 在自由处置模型下，设计一种实用且可分析的在线算法，其中广告商可将低权重边替换为高权重边。
• 提出并形式化在线相关选择（OCS）的概念，作为提升竞争比的关键算法原 primitive。
• 将先前关于在线匹配的研究工作（特别是Fahrbach与Zadimoghaddam，以及Huang与Tao的工作）整合并简化为更简洁、更稳健的框架。
• 为边权二分图匹配在在线设置下严格优于单调子模福利最大化问题提供强有力证据。

提出的方法

• 该算法采用在线对偶框架，基于流入的边实时更新对偶变量。
• 引入一种新颖的子程序——在线相关选择（OCS），在每对候选节点中选择一个，同时在不同对之间强制负相关。
• 将OCS优化为γ = 0.109927-OCS，量化了决策中负相关的程度。
• 在对偶分析中，对收益分配参数进行精细调优，以平衡对偶可行性与原始收益，从而实现超过1/2的竞争比。
• 采用耦合论证分析OCS，通过在共享节点上使用相同的随机位、在新节点上使用新随机位，来界定失败概率。
• 分析利用反向弱对偶性与近似对偶可行性，推导出最终的竞争比。

实验结果

研究问题

• RQ1 在自由处置模型下，能否在边权在线二分图匹配中实现严格优于1/2的竞争比？
• RQ2 负相关在在线分配决策中扮演什么角色？如何量化并算法化地加以利用？
• RQ3 在线设置下，边权在线匹配的性能与更一般的单调子模福利最大化问题相比如何？
• RQ4 在线对偶框架能否扩展以处理边权问题，并在保证优于平凡1/2比率的前提下提供可证明的性能？
• RQ5 通过OCS可实现的最优相关程度（γ）是多少？其对竞争比有何影响？

主要发现

• 论文实现了至少0.5086的竞争比，突破了边权在线二分图匹配长期存在的1/2瓶颈。
• 作者修复了arXiv:1910.03287中此前未被发现的错误，从而得到了更小且更紧致的竞争比。
• 构建并优化了0.109927-OCS，相较于初始的1/16-OCS构造有显著改进。
• OCS技术被证明具有独立研究价值，且可能适用于其他在线优化问题。
• 该结果为边权二分图匹配在在线设置下严格优于单调子模福利最大化问题提供了强有力证据。
• 理论极限表明，即使实现完美的1-OCS，最大竞争比也仅为5/9 ≈ 0.5556，表明需采用根本性新方法才能达到1−1/e ≈ 0.6321的最优比。