new algorithms better bounds and a novel model for online
play

New Algorithms, Better Bounds, and a Novel Model for - PowerPoint PPT Presentation

New Algorithms, Better Bounds, and a Novel Model for Online Stochastic Matching Brian Brubach , Karthik Abinav Sankararaman, Aravind Srinivasan, and Pan Xu


  1. New ¡Algorithms, ¡Better ¡Bounds, ¡ and ¡a ¡Novel ¡Model ¡for ¡Online ¡ Stochastic ¡Matching ¡ Brian ¡Brubach , ¡Karthik ¡Abinav ¡Sankararaman, ¡ Aravind ¡Srinivasan, ¡and ¡Pan ¡Xu ¡ University ¡of ¡Maryland, ¡College ¡Park ¡ European ¡Symposium ¡on ¡Algorithms ¡– ¡ESA ¡2016 ¡

  2. Online ¡Matching: ¡Known ¡I.I.D. ¡Model ¡ • Input: ¡biparGte ¡graph ¡ G ¡= ¡( U , ¡ V , ¡ E ) ¡ – U ¡is ¡set ¡of ¡offline ¡verGces ¡ – V ¡is ¡a ¡set ¡of ¡online ¡vertex ¡ types ¡ AdverGsers ¡ User ¡Types ¡ Preferences ¡

  3. Online ¡Matching: ¡Known ¡I.I.D. ¡Model ¡ • Arrivals ¡i.i.d. ¡from ¡a ¡known ¡distribuGon ¡on ¡ V ¡ – Each ¡arrival ¡of ¡some ¡ v ¡in ¡ V ¡is ¡a ¡disGnct ¡vertex ¡ – WLOG ¡uniform ¡distribuGon ¡(integral ¡arrival ¡rates ¡assumed) ¡ AdverGsers ¡ User ¡Types ¡ Preferences ¡

  4. Online ¡Matching: ¡Known ¡I.I.D. ¡Model ¡ • Arrivals ¡i.i.d. ¡from ¡a ¡known ¡distribuGon ¡on ¡ V ¡ – Each ¡arrival ¡of ¡some ¡ v ¡in ¡ V ¡is ¡a ¡disGnct ¡vertex ¡ – WLOG ¡uniform ¡distribuGon ¡(integral ¡arrival ¡rates ¡assumed) ¡ AdverGsers ¡ User ¡Types ¡ Preferences ¡

  5. Online ¡Matching: ¡Known ¡I.I.D. ¡Model ¡ • Arrivals ¡i.i.d. ¡from ¡a ¡known ¡distribuGon ¡on ¡ V ¡ – Each ¡arrival ¡of ¡some ¡ v ¡in ¡ V ¡is ¡a ¡disGnct ¡vertex ¡ – WLOG ¡uniform ¡distribuGon ¡(integral ¡arrival ¡rates ¡assumed) ¡ AdverGsers ¡ User ¡Types ¡ Preferences ¡

  6. Online ¡Matching: ¡Known ¡I.I.D. ¡Model ¡ • Arrivals ¡i.i.d. ¡from ¡a ¡known ¡distribuGon ¡on ¡ V ¡ – Each ¡arrival ¡of ¡some ¡ v ¡in ¡ V ¡is ¡a ¡disGnct ¡vertex ¡ – WLOG ¡uniform ¡distribuGon ¡(integral ¡arrival ¡rates ¡assumed) ¡ AdverGsers ¡ User ¡Types ¡ Preferences ¡

  7. Online ¡Matching: ¡Known ¡I.I.D. ¡Model ¡ • Arrivals ¡i.i.d. ¡from ¡a ¡known ¡distribuGon ¡on ¡ V ¡ – Each ¡arrival ¡of ¡some ¡ v ¡in ¡ V ¡is ¡a ¡disGnct ¡vertex ¡ – WLOG ¡uniform ¡distribuGon ¡(integral ¡arrival ¡rates ¡assumed) ¡ AdverGsers ¡ User ¡Types ¡ Preferences ¡

  8. Online ¡Matching: ¡Known ¡I.I.D. ¡Model ¡ • Arrivals ¡i.i.d. ¡from ¡a ¡known ¡distribuGon ¡on ¡ V ¡ – Each ¡arrival ¡of ¡some ¡ v ¡in ¡ V ¡is ¡a ¡disGnct ¡vertex ¡ – WLOG ¡uniform ¡distribuGon ¡(integral ¡arrival ¡rates ¡assumed) ¡ AdverGsers ¡ User ¡Types ¡ Preferences ¡

  9. Online ¡Matching: ¡Known ¡I.I.D. ¡Model ¡ • Arrivals ¡i.i.d. ¡from ¡a ¡known ¡distribuGon ¡on ¡ V ¡ – Each ¡arrival ¡of ¡some ¡ v ¡in ¡ V ¡is ¡a ¡disGnct ¡vertex ¡ – WLOG ¡uniform ¡distribuGon ¡(integral ¡arrival ¡rates ¡assumed) ¡ AdverGsers ¡ User ¡Types ¡ Preferences ¡

  10. Online ¡Matching: ¡Known ¡I.I.D. ¡Model ¡ • Arrivals ¡i.i.d. ¡from ¡a ¡known ¡distribuGon ¡on ¡ V ¡ – Each ¡arrival ¡of ¡some ¡ v ¡in ¡ V ¡is ¡a ¡disGnct ¡vertex ¡ – WLOG ¡uniform ¡distribuGon ¡(integral ¡arrival ¡rates ¡assumed) ¡ AdverGsers ¡ User ¡Types ¡ Preferences ¡

  11. Variants ¡ Less ¡ • Unweighted ¡ general ¡ • Vertex-­‑weighted ¡ – weights ¡only ¡on ¡offline ¡verGces ¡ U ¡ • Edge-­‑weighted ¡ • StochasGc ¡rewards ¡ More ¡ – Edges ¡exist ¡(independently) ¡with ¡given ¡ general ¡ probabiliGes ¡

  12. Competitive ¡Ratio ¡ • ALG ¡= ¡any ¡online ¡algorithm ¡ • OPT ¡= ¡opGmal ¡online ¡algorithm ¡ • CompeGGve ¡raGo ¡= ¡ E [ALG]/ E [OPT] ¡

  13. Related ¡and ¡Our ¡Work ¡ Variant ¡ RaGo ¡ Authors ¡ Feldman, ¡Mehta, ¡Mirokkni, ¡Muthukrishnan ¡(FOCS ¡ 0.67 ¡ 2009) ¡ 0.705 ¡ Manshadi, ¡Oveis, ¡Gharan, ¡Saberi ¡(SODA ¡2011) ¡ Unweighted ¡ 0.7293 ¡ Jaillet ¡and ¡Lu ¡(Math ¡OR ¡2013) ¡ 0.7299 ¡ This ¡work ¡(ESA ¡2016) ¡ 0.725 ¡ Jaillet ¡and ¡Lu ¡(Math ¡OR ¡2013) ¡ Vertex-­‑weighted ¡ 0.7299 ¡ This ¡work ¡(ESA ¡2016) ¡ 0.667 ¡ Haeupler, ¡Mirokkni, ¡Zadimoghaddam ¡(WINE ¡2011) ¡ Edge-­‑weighted ¡ 0.705 ¡ This ¡work ¡(ESA ¡2016) ¡ StochasGc ¡Rewards ¡ 0.632 ¡ This ¡work ¡(ESA ¡2016) ¡

  14. Two ¡Phases: ¡OfHline ¡& ¡Online ¡ • Offline ¡phase: ¡ – Preprocess ¡input ¡graph ¡and ¡develop ¡guidelines ¡for ¡ the ¡online ¡phase ¡ – Primary ¡focus ¡of ¡contribuGons ¡presented ¡here ¡ • Online ¡Phase: ¡ – VerGces ¡arrive ¡and ¡must ¡be ¡matched ¡to ¡an ¡offline ¡ neighbor ¡or ¡discarded ¡

  15. Benchmark ¡LP ¡ Matching ¡ constraints ¡ Assuming ¡arrival ¡rate ¡is ¡1 ¡ Probability ¡some ¡ v ¡never ¡arrives ¡= ¡1/e ¡ Expected ¡value ¡of ¡any ¡edge ¡≤ ¡1-­‑1/e ¡

  16. Scaled ¡Dependent ¡Rounding ¡ • Generalizes ¡dependent ¡rounding ¡due ¡to ¡Gandhi, ¡ Khuller, ¡Parthasarathy, ¡and ¡Srinivasan ¡(FOCS ¡2004) ¡ – Oh ¡called ¡GKPS ¡rounding ¡ • MulGply ¡LP ¡soluGon ¡by ¡ k ¡before ¡rounding ¡ • ProperGes ¡of ¡dependent ¡rounding ¡sGll ¡hold ¡ 1. Marginal distribution: For every edge e , let p e = kf e � b kf e c . Then, Pr[ F e = d kf e e ] = p e and Pr[ F e = b kf e c ] = 1 � p e . 2. Degree-preservation: For any vertex w 2 U [ V , let its fractional degree kf w be P e ∈ ∂ ( w ) kf e and integral degree be the random variable F w = P e ∈ ∂ ( w ) F e . Then F w 2 { b kf w c , d kf w e } .

  17. Edge-­‑weighted ¡

  18. Warm-­‑up ¡Algorithm: ¡OfHline ¡phase ¡ • Assign ¡LP ¡values ¡to ¡edges ¡ 0.6 ¡ 0.4 ¡ 0.3 ¡ 0.1 ¡ 0.6 ¡ 0.5 ¡ 0.3 ¡ 0.7 ¡

  19. Warm-­‑up ¡Algorithm: ¡OfHline ¡phase ¡ • Assign ¡LP ¡values ¡to ¡edges ¡ 1.2 ¡ • MulGply ¡values ¡by ¡2 ¡ 0.8 ¡ 0.6 ¡ 0.2 ¡ 1.2 ¡ 1 ¡ 0.6 ¡ 1.4 ¡

  20. Warm-­‑up ¡Algorithm: ¡OfHline ¡phase ¡ • Assign ¡LP ¡values ¡to ¡edges ¡ 0.2 ¡ • MulGply ¡values ¡by ¡2 ¡ 0.8 ¡ • Separate ¡integral ¡and ¡fracGonal ¡ 0.6 ¡ 0.2 ¡ parts ¡ 0.2 ¡ 0.6 ¡ 0.4 ¡

  21. Warm-­‑up ¡Algorithm: ¡OfHline ¡phase ¡ • Assign ¡LP ¡values ¡to ¡edges ¡ 0.2 ¡ • MulGply ¡values ¡by ¡2 ¡ 0.8 ¡ • Separate ¡integral ¡and ¡fracGonal ¡ 0.6 ¡ 0.2 ¡ parts ¡ 0.2 ¡ • Apply ¡dependent ¡rounding ¡ 0.6 ¡ 0.4 ¡

  22. Warm-­‑up ¡Algorithm: ¡OfHline ¡phase ¡ • Assign ¡LP ¡values ¡to ¡edges ¡ • MulGply ¡values ¡by ¡2 ¡ • Separate ¡integral ¡and ¡fracGonal ¡ parts ¡ • Apply ¡dependent ¡rounding ¡

  23. Warm-­‑up ¡Algorithm: ¡OfHline ¡phase ¡ • Assign ¡LP ¡values ¡to ¡edges ¡ • MulGply ¡values ¡by ¡2 ¡ • Separate ¡integral ¡and ¡fracGonal ¡ parts ¡ • Apply ¡dependent ¡rounding ¡ • Decompose ¡into ¡2 ¡matchings ¡

  24. Warm-­‑up ¡Algorithm: ¡OfHline ¡phase ¡ • Assign ¡LP ¡values ¡to ¡edges ¡ • MulGply ¡values ¡by ¡2 ¡ • Separate ¡integral ¡and ¡fracGonal ¡ parts ¡ • Apply ¡dependent ¡rounding ¡ • Decompose ¡into ¡2 ¡matchings ¡

  25. Warm-­‑up ¡Algorithm: ¡OfHline ¡phase ¡ • Assign ¡LP ¡values ¡to ¡edges ¡ • MulGply ¡values ¡by ¡2 ¡ • Separate ¡integral ¡and ¡fracGonal ¡ parts ¡ • Apply ¡dependent ¡rounding ¡ • Decompose ¡into ¡2 ¡matchings ¡ • Randomly ¡order ¡the ¡matchings ¡ M1 ¡and ¡M2 ¡ M1 ¡ M2 ¡

  26. Warm-­‑up ¡Algorithm: ¡Online ¡phase ¡ • First ¡arrival ¡of ¡a ¡type ¡ – Aiempt ¡match ¡to ¡M1 ¡neighbor ¡ • Second ¡arrival ¡ – Aiempt ¡match ¡to ¡M2 ¡neighbor ¡ • Third ¡or ¡later ¡arrival ¡ – Do ¡nothing ¡ M1 ¡ M2 ¡

  27. Warm-­‑up ¡Algorithm: ¡Online ¡phase ¡ M1 ¡ M2 ¡

  28. Warm-­‑up ¡Algorithm: ¡Online ¡phase ¡ M1 ¡ M2 ¡

  29. Warm-­‑up ¡Algorithm: ¡Online ¡phase ¡ M1 ¡ M2 ¡

  30. Warm-­‑up ¡Algorithm: ¡Online ¡phase ¡ M1 ¡ M2 ¡

  31. Warm-­‑up ¡Algorithm: ¡Online ¡phase ¡ M1 ¡ M2 ¡

  32. Warm-­‑up ¡Algorithm: ¡Online ¡phase ¡ ? ¡ M1 ¡ M2 ¡

Download Presentation
Download Policy: The content available on the website is offered to you 'AS IS' for your personal information and use only. It cannot be commercialized, licensed, or distributed on other websites without prior consent from the author. To download a presentation, simply click this link. If you encounter any difficulties during the download process, it's possible that the publisher has removed the file from their server.

Recommend


More recommend