[论文解读] Fully Dynamic Almost-Maximal Matching: Breaking the Polynomial Barrier for Worst-Case Time Bounds

Moses Charikar, Shay Solomon|arXiv (Cornell University)|Nov 18, 2017

Complexity and Algorithms in Graphs参考文献 23被引用 9

一句话总结

本文提出了首个完全动态算法，能够在亚多项式最坏情况更新时间下维护近乎最大匹配，并实现最大匹配与最小点覆盖的 $(2+\epsilon)$-近似。该算法利用一种新型离线模型，仅在需要时提供有限的未来信息，设计出确定性算法，随后通过随机化在标准在线模型中实现高概率保证，从而打破了长期存在的多项式更新时间瓶颈。

ABSTRACT

Despite significant research efforts, the state-of-the-art algorithm for maintaining an approximate matching in fully dynamic graphs has a polynomial {worst-case} update time, even for very poor approximation guarantees. In a recent breakthrough, Bhattacharya, Henzinger and Nanongkai showed how to maintain a constant approximation to the minimum vertex cover, and thus also a constant-factor estimate of the maximum matching size, with polylogarithmic worst-case update time. Later (in SODA'17 Proc.) they improved the approximation factor all the way to $2+ε$. Nevertheless, the longstanding fundamental problem of {maintaining} an approximate matching with sub-polynomial worst-case time bounds remained open. We present a randomized algorithm for maintaining an {almost-maximal} matching in fully dynamic graphs with polylogarithmic worst-case update time. Such a matching provides $(2+ε)$-approximations for both the maximum matching and the minimum vertex cover, for any $ε> 0$. Our result was done independently of the $(2+ε)$-approximation result of Bhattacharya et al., so it provides the first $(2+ε)$-approximation for minimum vertex cover (together with Bhattacharya et al.'s result) and the first $(2+ε)$-approximation for maximum (integral) matching. The polylogarithmic worst-case update time of our algorithm holds deterministically, while the almost-maximality guarantee holds with high probability. This result not only settles the aforementioned problem on dynamic matchings, but also provides essentially the best possible approximation guarantee for dynamic vertex cover (assuming the unique games conjecture).

研究动机与目标

• 为克服在完全动态图中维护近似匹配时长期存在的多项式最坏情况更新时间障碍。
• 在亚多项式最坏情况更新时间下，实现最大匹配与最小点覆盖的 $(2+\epsilon)$-近似。
• 解决动态匹配维护中高效最坏情况界这一基本开放问题。
• 引入一种新范式，利用带有有限未来信息的离线模型，设计并分析随机化动态算法。

提出的方法

• 该算法使用基于层级的数据结构来管理顶点度数和匹配状态，根据顶点的度数为其分配层级。
• 通过调度器管理边的插入与删除操作，采用 `set-level`、`handle-insertion` 和 `handle-deletion` 等过程以维持不变性。
• 关键创新在于使用一种离线模型，仅在需要时揭示有限的未来信息，从而设计出确定性算法，并进一步随机化以适用于在线设置。
• 该算法维护两个匹配：一个通过基于阈值的确定性方法 (${\cal M}_{\delta}$) 实现，另一个通过随机化过程 (${\cal M}_{rand}$) 实现，根据匹配大小在两者间切换。
• 通过一种新颖的球与桶游戏分析方法证明近乎最大匹配的性质，建模顶点度数变化与匹配冲突。
• 最终输出结合两种匹配：当匹配大小低于 $\delta$ 时采用 ${\cal M}_{\delta}$，否则采用 ${\cal M}_{rand}$，从而确保正确性与效率。

实验结果

研究问题

• RQ1 能否设计一个完全动态算法，在亚多项式最坏情况更新时间下维护 $(2+\epsilon)$-近似最大匹配？
• RQ2 是否可能在保持强近似保证的前提下，打破动态匹配维护中的多项式更新时间瓶颈？
• RQ3 能否利用带有有限未来信息的离线模型，来设计并分析标准在线模型中的高效随机化动态算法？
• RQ4 如何在保持确定性最坏情况更新时间的同时，以高概率保证近乎最大匹配？
• RQ5 动态匹配的更新时间改进是否存在理论极限？能否通过结构化的离线抽象逼近该极限？

主要发现

• 该算法实现了最坏情况更新时间为 $O(\max\{\log^7 n / \epsilon, \log^5 n / \epsilon^4\})$，在 $n$ 和 $\epsilon^{-1}$ 上为多对数时间。
• 该算法以高概率维护近乎最大匹配，确保最大匹配与最小点覆盖的 $(2+\epsilon)$-近似。
• 当匹配大小低于 $\delta = \Theta(\log^5 n / \epsilon^4)$ 时，确定性匹配 ${\cal M}_{\delta}$ 必然为最大匹配。
• 随机化算法在亚多项式最坏情况更新时间下，以高概率提供最大匹配与最小点覆盖的 $(2+\epsilon)$-近似。
• 该方法首次实现了在亚多项式最坏情况更新时间下维护 $(2+\epsilon)$-近似最小点覆盖的算法。
• 离线模型框架为分析随机化动态算法提供了一种新颖且可推广的方法，具有独立的理论价值。