[论文解读] Online Stochastic Matching with Edge Arrivals

Nick Gravin, Zhihao Gavin Tang+1 more|arXiv (Cornell University)|Nov 12, 2019

Optimization and Search Problems参考文献 32被引用 3

一句话总结

本文提出了一种新颖的剪枝-贪心框架，用于边到达的在线随机匹配问题，其中边根据已知的概率分布以概率方式实现。通过战略性地剪除低概率边并应用贪心匹配策略，作者在2-正则随机二分图上实现了0.552的竞争比，在一般图上实现了0.503的竞争比——超越了对抗性边到达模型中贪心算法的0.5最坏情况极限。

ABSTRACT

Online bipartite matching with edge arrivals remained a major open question for a long time until a recent negative result by Gamlath et al., who showed that no online policy is better than the straightforward greedy algorithm, i.e., no online algorithm has a worst-case competitive ratio better than 0.5. In this work, we consider the bipartite matching problem with edge arrivals in a natural stochastic framework, i.e., Bayesian setting where each edge of the graph is independently realized according to a known probability distribution. We focus on a natural class of prune & greedy online policies motivated by practical considerations from a multitude of online matching platforms. Any prune & greedy algorithm consists of two stages: first, it decreases the probabilities of some edges in the stochastic instance and then runs greedy algorithm on the pruned graph. We propose prune & greedy algorithms that are 0.552-competitive on the instances that can be pruned to a 2-regular stochastic bipartite graph, and 0.503-competitive on arbitrary stochastic bipartite graphs. The algorithms and our analysis significantly deviate from the prior work. We first obtain analytically manageable lower bound on the size of the matching, which leads to a non-linear optimization problem. We further reduce this problem to a continuous optimization with a constant number of parameters that can be solved using standard software tools.

研究动机与目标

• 为长期存在的开放问题提供解答：在线算法是否能在边到达模型中超越贪心算法，此前在最坏情况设置下已被证明不可能。
• 设计一种实用且理论严谨的在线匹配策略，利用已知的边概率（即随机信息）以突破0.5竞争比的屏障。
• 构建一个能建模现实世界在线平台（如求职匹配、恋爱匹配或房地产）的框架，其中边的形成成本高且具有随机性，且平台可在匹配前进行干预。

提出的方法

• 提出一种两阶段剪枝-贪心策略：首先，降低随机图中某些边的概率；其次，在剪枝后的实例上应用贪心匹配算法。
• 推导出一个非线性优化问题以界定期望匹配大小，随后将其简化为具有常数个参数的连续优化问题，以实现可计算解。
• 通过将边批次进行细分，提出一种新颖的匹配大小下界分析方法，并推导出涉及对数与指数项的关键不等式，用于比较剪枝带来的收益与损失。
• 采用计算机辅助证明与数值验证，建立关键不等式（如 h3(x, q) ≥ 0）以验证竞争比保证。
• 应用浓度与衰减率分析，以每个顶点关联的边的期望匹配增益为界，其中对数归一化度数 c 作为关键参数。
• 通过构造一个硬实例（图2），包含类型1、类型2和类型3的边，证明最优竞争比的上界为2/3。

实验结果

研究问题

• RQ1 在最坏情况对抗性模型中，在边到达的在线匹配算法能否实现优于0.5的竞争比？
• RQ2 是否可能设计一种实用的在线策略，利用随机边概率信息，在数据丰富的真实平台中超越贪心算法？
• RQ3 在随机边实现下，边到达的在线匹配理论极限是什么？
• RQ4 能否构建一个具有理论保证的剪枝-贪心框架，在随机边到达模型中优于贪心基线？
• RQ5 在随机边到达模型中，可实现的最优竞争比是多少？其如何依赖于图结构与边概率分布？

主要发现

• 所提出的剪枝-贪心算法在可剪枝为2-正则结构的随机二分图上实现了0.552的竞争比。
• 在任意二分图上，该算法实现了0.503的竞争比，超越了对抗性边到达模型中贪心算法的0.5最坏情况极限。
• 分析过程建立了一个非线性优化问题，该问题被简化为具有常数个参数的连续优化问题，可通过标准软件工具求解。
• 计算机辅助证明验证了关键不等式 h3(x, q) ≥ 0，确保边细分带来的收益超过损失，从而支持竞争比的上界。
• 论文构造了一个包含2n个顶点和三种边类型的硬实例，证明任何在线算法的竞争比均不能超过2/3，从而确立了理论上的上界。
• 数值验证表明，当 log-normalized 度数 c=2 且 δᵤ ≤ 1−e⁻² 时，推导出的匹配增益下界超过 1.98·δ²ᵤ，支持在一般图上实现0.503的竞争比。