[论文解读] Improved Bound for Matching in Random-Order Streams

Aaron Bernstein|arXiv (Cornell University)|May 1, 2020

Complexity and Algorithms in Graphs参考文献 30被引用 5

一句话总结

本文提出了一种确定性的单遍流算法，在仅使用 O(n log n) 空间的前提下，通过利用随机顺序流，实现了 (2/3 − ε)-近似最大基数匹配，显著优于先前工作，实现了比以往半流模型方法更优的近似比和更低的空间复杂度。该算法利用随机流顺序绕过对抗性下界，证明了在随机顺序设置下匹配问题具有可证明的更易解性。

ABSTRACT

We study the problem of computing an approximate maximum cardinality matching in the semi-streaming model when edges arrive in a \emph{random} order. In the semi-streaming model, the edges of the input graph G = (V,E) are given as a stream e_1, ..., e_m, and the algorithm is allowed to make a single pass over this stream while using $O(n extrm{polylog}(n))$ space ($m = |E|$ and $n = |V|$). If the order of edges is adversarial, a simple single-pass greedy algorithm yields a $1/2$-approximation in $O(n)$ space; achieving a better approximation in adversarial streams remains an elusive open question. A line of recent work shows that one can improve upon the $1/2$-approximation if the edges of the stream arrive in a random order. The state of the art for this model is two-fold: Assadi et al. [SODA 2019] show how to compute a $2/3(\sim.66)$-approximate matching, but the space requirement is $O(n^{1.5} extrm{polylog}(n))$. Very recently, Farhadi et al. [SODA 2020] presented an algorithm with the desired space usage of $O(n extrm{polylog}(n))$, but a worse approximation ratio of $6/11(\sim.545)$, or $3/5(=.6)$ in bipartite graphs. In this paper, we present an algorithm that computes a $2/3(\sim.66)$-approximate matching using only $O(n \log(n))$ space, improving upon both results above. We also note that for adversarial streams, a lower bound of Kapralov [SODA 2013] shows that any algorithm that achieves a $1-1/e(\sim.63)$-approximation requires $(n^{1+Ω(1/\log\log(n))})$ space. Our result for random-order streams is the first to go beyond the adversarial-order lower bound, thus establishing that computing a maximum matching is provably easier in random-order streams.

研究动机与目标

• 通过利用流图中的随机边顺序，弥合在对抗性流中可实现的 1/2-近似与 1−1/e ≈ 0.633 下界之间的差距。
• 设计一种单遍半流算法，实现最大匹配的 (2/3 − ε)-近似，空间使用量为 O(n log n)，优于以往在空间与近似比之间的权衡。
• 通过超越对抗性顺序下的空间下界，证明在随机顺序流中计算最大匹配比在对抗性流中更易处理。
• 在一般图和二分图中，统一实现高近似比与低空间复杂度，且算法简洁、确定。

提出的方法

• 该算法在单遍中按随机顺序处理边，维护一个动态子图 H，用于跟踪潜在的匹配边。
• 采用两阶段方法：第一阶段在大小为 α 的周期内检查度数和小于 β(1−λ) 的边（即“不完全边”），若在周期内未发现此类边则提前终止。
• 第二阶段仅在第一阶段完成且未发现不完全边时激活，确保剩余图中低度数边较少。
• 算法基于 β = 1/ε 和 λ = 1/2 设定阈值，通过 α = m/(5 log n) 控制周期大小，以确保集中性界限。
• 采用概率分析来限制遗漏不完全边的失败概率，通过最多 n² 个周期上的并集界，证明 Pr[坏事件] ≤ n⁻³。
• 核心洞见是：若一个周期内未发现不完全边，则剩余流中此类边很可能很少，从而可实现高概率近似。

实验结果

研究问题

• RQ1 能否在随机顺序流中，以 O(n log n) 空间在单遍内计算出 (2/3 − ε)-近似最大匹配？
• RQ2 能否在随机顺序流中超越对抗性顺序下 n^{1+Ω(1/log log n)} 的空间下界，实现 1−1/e-近似？
• RQ3 能否在一般图和二分图中均以近线性空间实现 2/3 的近似比？
• RQ4 随机边顺序是否从根本上降低了实现高精度匹配所需的空间复杂度，相比对抗性流？
• RQ5 该技术能否扩展至加权图，以在随机顺序流中实现优于 0.506 的近似？

主要发现

• 该算法在仅使用 O(n log n) 空间的情况下，实现了对一般图中最大基数匹配的 (2/3 − ε)-近似，优于 Assadi 等人 [SODA 2019] 的 O(n^{1.5} polylog n) 空间。
• 对于二分图，相同算法以 O(n log n) 空间实现了 (2/3 − ε)-近似，达到最优近似比，但空间显著减少。
• 该结果优于 Farhadi 等人 [SODA 2020] 的工作，后者在一般图中以 O(n polylog n) 空间实现了 6/11 ≈ 0.545 的近似，而本工作实现了更高的近似比与更优的空间效率。
• 该结果证明，在随机顺序流中计算最大匹配比在对抗性流中更易处理，因为其超越了对抗性顺序下 1−1/e-近似所需的 n^{1+Ω(1/log log n)} 空间下界。
• 失败概率被控制在 O(n⁻³) 以内，通过最多 n² 个周期上的并集界，确保高概率正确性。
• 分析表明，一个周期内遗漏所有不完全边的概率至多为 (1 − 5 log n / α)^α ≤ n⁻⁵，该概率通过集中不等式得到严格控制。