[论文解读] Fully Dynamic $(1+\epsilon)$-Approximate Matchings

Manoj Gupta, Richard Peng|arXiv (Cornell University)|Apr 1, 2013

Complexity and Algorithms in Graphs参考文献 18被引用 6

一句话总结

本文提出了首个完全动态数据结构，能够在每次边插入或删除时以 O(√m ǫ⁻²) 的最坏情况更新时间，维护 (1+ǫ)-近似最大基数匹配和加权匹配。该方法结合了周期性重新计算静态匹配与通过核心子图进行图稀疏化，以高效地维持近似保证，显著优于以往具有类似更新时间的 3/2-近似界。

ABSTRACT

We present the first data structures that maintain near optimal maximum cardinality and maximum weighted matchings on sparse graphs in sublinear time per update. Our main result is a data structure that maintains a $(1+\\epsilon)$ approximation of maximum matching under edge insertions/deletions in worst case $O(\\sqrt{m}\\epsilon^{-2})$ time per update. This improves the 3/2 approximation given in [Neiman,Solomon,STOC 2013] which runs in similar time. The result is based on two ideas. The first is to re-run a static algorithm after a chosen number of updates to ensure approximation guarantees. The second is to judiciously trim the graph to a smaller equivalent one whenever possible. We also study extensions of our approach to the weighted setting, and combine it with known frameworks to obtain arbitrary approximation ratios. For a constant $\\epsilon$ and for graphs with edge weights between 1 and N, we design an algorithm that maintains an $(1+\\epsilon)$-approximate maximum weighted matching in $O(\\sqrt{m} \\log N)$ time per update. The only previous result for maintaining weighted matchings on dynamic graphs has an approximation ratio of 4.9108, and was shown in [Anand,Baswana,Gupta,Sen, FSTTCS 2012, arXiv 2012].

研究动机与目标

• 设计一个完全动态数据结构，以每次更新的亚线性时间维护 (1+ǫ)-近似最大匹配。
• 克服先前方法的局限性，这些方法仅实现了 2-近似或 3/2-近似，且具有类似的更新时间界限。
• 利用匹配值的稳定性——即单次更新最多使最优值变化 1——以推迟昂贵的重新计算。
• 引入核心子图的概念：保持最大匹配大小不变的较小等价子图，从而实现高效维护。
• 将该方法扩展至加权匹配，对于 [1, N] 范围内的边权，在每次更新时以 O(√m ǫ⁻² log N) 时间实现 (1+ǫ)-近似。

提出的方法

• 在有限次更新后周期性地重新计算静态 (1+ǫ)-近似匹配，以维持近似质量。
• 采用核心子图抽象：在原图中保持最大匹配大小的最小子图。
• 对加权边使用分层桶机制，按权重重范围分组，并在每一层维护近似匹配。
• 通过在多个数据结构副本上应用舍入与聚合技术，确保至少一个副本维持 (1+ǫ)-近似匹配。
• 在每一层上使用修改后的静态匹配算法维护近似匹配，同时控制误差传播。
• 通过使用不同权重缩放的多个数据结构副本，提高维持良好近似概率。

实验结果

研究问题

• RQ1 是否可以在完全动态图中以亚线性更新时间维护 (1+ǫ)-近似最大基数匹配？
• RQ2 如何利用匹配值的稳定性来减少昂贵重新计算的频率？
• RQ3 是否可以利用核心子图在减少处理图大小的同时保持匹配大小的保证？
• RQ4 在动态加权匹配中，更新时间与近似质量之间的最优权衡是什么？
• RQ5 在加权情况下，是否可以减少对 ǫ⁻¹ 的指数依赖，同时保持 (1+ǫ)-近似？

主要发现

• 该论文在每次边更新时，以 O(√m ǫ⁻²) 的最坏情况更新时间实现了 (1+ǫ)-近似最大基数匹配。
• 对于边权在 [1, N] 范围内的加权图，该算法在每次更新时以 O(√m ǫ⁻² log N) 的最坏情况更新时间维护 (1+ǫ)-近似最大加权匹配。
• 该算法在相同的渐近更新时间下，优于 Neiman 和 Solomon（STOC 2013）的 3/2-近似结果。
• 通过使用核心子图，该算法仅处理一个稀疏且等价的子图，从而减小了图的有效规模。
• 通过维护多个具有不同权重缩放的数据结构副本，该算法确保至少一个副本维持 (1+ǫ)-近似。
• 分析表明，多个副本的联合匹配可达到 (1+16ǫ)-近似，通过调整 ǫ′ 可转换为 (1+ǫ′)。