[论文解读] Online Weighted Matching: Breaking the $\frac{1}{2}$ Barrier

Matthew Fahrbach, Morteza Zadimoghaddam|arXiv (Cornell University)|Apr 18, 2017

Optimization and Search Problems参考文献 28被引用 4

一句话总结

本文提出了首个在自由处置假设下，针对加权二分图匹配的随机在线算法，打破了长期存在的1/2竞争比瓶颈，实现了至少0.501的竞争比。该算法通过受控的自适应随机性使用，基于过往分配安全地做出决策，从而实现一种新颖的机制，将过剩的边际收益重新分配，以超越确定性算法的1/2极限性能。

ABSTRACT

Online matching and its variants are some of the most fundamental problems in the online algorithms literature. In this paper, we study the online weighted bipartite matching problem. Karp et al. (STOC 1990) gave an elegant algorithm in the unweighted case that achieves a tight competitive ratio of $1-1/e$. In the weighted case, however, we can easily show that no competitive ratio is obtainable without the commonly accepted free disposal assumption. Under this assumption, it is not hard to prove that the greedy algorithm is $1/2$ competitive, and that this is tight for deterministic algorithms. We present the first randomized algorithm that breaks this long-standing $1/2$ barrier and achieves a competitive ratio of at least $0.501$. In light of the hardness result of Kapralov et al. (SODA 2013) that restricts beating a $1/2$ competitive ratio for the monotone submodular welfare maximization problem, our result can be seen as strong evidence that solving the weighted bipartite matching problem is strictly easier than submodular welfare maximization in the online setting. Our approach relies on a very controlled use of randomness, which allows our algorithm to safely make adaptive decisions based on its previous assignments.

研究动机与目标

• 解决在线算法领域30年来未解的开放问题：在在线加权二分图匹配中，是否可实现超过1/2的竞争比？
• 设计一种随机算法，使其表现优于在自由处置假设下竞争比严格为1/2的确定性贪心算法。
• 为在线加权二分图匹配严格优于在线单调子模福利最大化提供强有力证据，尤其是在Kapralov等人（2013）的困难性结果背景下。
• 开发一种新颖的分析框架，通过受控随机性实现有界条件概率级联的自适应决策。

提出的方法

• 提出StochasticGreedy算法，一种使用受控随机性基于先前结果自适应分配决策的随机在线算法。
• 采用机制将已分配广告位的过剩边际收益重新分配，以提升期望竞争比。
• 通过算法所有分支的期望值，强制关键变量（如边际收益）在分析中表现得如确定性一般，从而简化证明结构。
• 采用两阶段分配策略：第一阶段在第13–30行进行暂定分配；第二阶段在第31–42行根据未来边权进行自适应调整。
• 设计一种新颖的分析工具——超额分配机制，系统性地重新分配盈余收益，以强化对期望性能的下界估计。
• 利用概率界和条件期望论证，证明该算法维持的竞争比超过1/2，具体至少为0.501。

实验结果

研究问题

• RQ1 在自由处置假设下，是否可为在线加权二分图匹配实现严格大于1/2的竞争比？
• RQ2 考虑到在单调子模福利最大化中无法突破1/2，是否存在在线加权二分图匹配与该问题在复杂性上的根本差异？
• RQ3 受控随机性是否可用于在线匹配中的自适应决策，而不会引发无界的条件概率依赖？
• RQ4 问题的何种结构特性使得随机算法能够突破1/2的屏障，而确定性算法无法做到？
• RQ5 如何系统性地重新分配分配带来的超额边际收益，以提升竞争比，且该方法易于分析？

主要发现

• 本文提出首个在自由处置假设下，实现至少0.501竞争比的在线加权二分图匹配算法。
• 该算法打破了长期存在的1/2竞争比瓶颈，解决了在线算法领域30年来未解的开放问题。
• 该结果为在线加权二分图匹配在在线设置下严格优于单调子模福利最大化提供了强有力证据，尤其是在Kapralov等人（2013）的困难性结果背景下。
• 受控随机性的使用使得自适应决策在分析上可处理，并防止条件概率中的级联依赖。
• 超额收益再分配机制确保盈余边际收益以一种能强化期望性能下界的方式被重新分配。
• 分析证明，该算法在所有情况下，其期望收益均超过最优离线解的0.501倍，即使面对对抗性边权序列亦成立。