[论文解读] Estimating Weighted Matchings in $o(n)$ Space

Elena Grigorescu, Morteza Monemizadeh+1 more|arXiv (Cornell University)|Apr 25, 2016

Complexity and Algorithms in Graphs参考文献 24被引用 3

一句话总结

本文提出了一种新颖的归约方法，将流图中的最大权匹配（MWM）问题归约为最大基数匹配（MCM）问题，仅使用 o(n) 空间即实现了对 MWM 的 2(1+ε)-近似。该方法按权重对边进行划分，对加权子流应用流式 MCM 估计器，并结合各估计结果，为平面图实现了 (48+ε)-近似。

ABSTRACT

We consider the problem of estimating the weight of a maximum weighted matching of a weighted graph $G(V,E)$ whose edges are revealed in a streaming fashion. We develop a reduction from the maximum weighted matching problem to the maximum cardinality matching problem that only doubles the approximation factor of a streaming algorithm developed for the maximum cardinality matching problem. Our results hold for the insertion-only and the dynamic (i.e, insertion and deletion) edge-arrival streaming models. The previous best-known reduction is due to Bury and Schwiegelshohn (ESA 2015) who develop an algorithm whose approximation guarantee scales by a polynomial factor. As an application, we obtain improved estimators for weighted planar graphs and, more generally, for weighted bounded-arboricity graphs, by feeding into our reduction the recent estimators due to Esfandiari et al. (SODA 2015) and to Chitnis et al. (SODA 2016). In particular, we obtain a $(48+ε)$-approximation estimator for the weight of a maximum weighted matching in planar graphs.

研究动机与目标

• 解决在子线性空间（特别是 o(n) 空间）下估计流式图中最大权匹配（MWM）的挑战。
• 克服先前归约方法中近似因子多项式膨胀的局限性，该问题在实际与理论应用中均非最优。
• 开发一种通用的归约框架，将近似因子保持在 2(1+ε) 以内，从而可复用现有的 MCM 估计器来估计 MWM。
• 将该框架扩展至支持插入仅（insertion-only）和动态（边插入与删除）流式模型，且在对抗性边顺序下仍具鲁棒性。
• 通过结合该归约与先前的 MCM 估计器，为结构化图类（如平面图与有界森林性图）实现更优的近似保证。

提出的方法

• 根据 (1+ε) 的幂次将加权图的边划分为对数规模的权重类别，生成子流 S_i，其中边权重位于 [(1+ε)^i, (1+ε)^{i+1}) 区间内。
• 对每个子流 S_i，应用流式最大基数匹配（MCM）算法，以估计 S_i 的无权版本中最大匹配的大小。
• 利用各子流估计的匹配大小 Δ_i，构建加权和 A_0 = Σ_i Δ_i (1+ε)^i 作为最大权匹配总权重的估计器。
• 利用集中与概率界限，确保各子流中估计的匹配大小 Δ_i 以高概率在真实 MCM 大小的 λ 倍范围内。
• 通过上下界分析，证明总估计器 A_0 是真实 MWM 权重的 2λ(1+ε)-近似，方法是基于子流估计推导出的最大匹配边权总和的上下界。
• 对所有 O(log n) 个子流应用并集界，以维持高概率正确性，要求每个子流的空间为 S(n, δ/(c log n))，总空间为 O(S(n, δ/(c log n)) log n)。

实验结果

研究问题

• RQ1 是否可以在 o(n) 空间内估计流式图中的最大权匹配，同时保持常数近似因子？
• RQ2 是否可能将 MWM 问题归约为 MCM 问题，使近似比仅发生常数倍膨胀，而非多项式膨胀？
• RQ3 如何使该归约在插入仅与动态（边插入与删除）流式模型中均具有鲁棒性，且在对抗性边顺序下仍有效？
• RQ4 使用该归约框架，能否为结构化图类（如平面图或有界森林性图）实现更优的近似保证？
• RQ5 能否将现有的 o(n)-空间 MCM 估计器与该归约有效结合，从而为特定图族生成更优的 MWM 估计器？

主要发现

• 所提出的归约实现了对最大权匹配问题的 2(1+ε)-近似因子，显著优于先前工作中近似因子的多项式膨胀。
• 该方法支持插入仅与动态流式模型，且在对抗性边顺序下具有鲁棒性，显著拓宽了其适用范围。
• 对于加权平面图，通过结合该归约与 SODA 2015 和 SODA 2016 中的先前 MCM 估计器，框架可实现 (48+ε)-近似估计器。
• 空间复杂度为 O(S(n, δ/(c log n)) log n)，其中 S(n, δ) 为底层 MCM 估计器所需空间，从而可高效复用现有的 o(n)-空间 MCM 算法。
• 分析表明，在假设 MCM 估计器的误差因子为 λ 的前提下，估计器 A_0 以高概率是真实 MWM 权重的 2λ(1+ε)-近似。
• 该归约具有通用性，可应用于任意单调图性质，从而可在不损失效率或近似质量的前提下，复用针对此类图的专用 MCM 估计器来处理其加权版本。