온라인 확률 매칭의 새로운 알고리즘과 한계

초록

본 논문은 알려진 I.I.D. 도착 모델에서 정수 도착률을 갖는 온라인 매칭 문제를 다루며, (a) 일반 가중치 그래프에서 기존 0.667 대비 0.705의 경쟁비율을, (b) 정점 가중치 경우에서 0.7250 대비 0.7299의 경쟁비율을 달성하는 새로운 알고리즘을 제시한다. 또한 확률적 보상 모델에서 비적응적 알고리즘이 1‑1/e의 최적 비율을 얻으며, 균일 확률 보상 경우에는 강화된 LP 벤치마크를 통해 1‑1/e보다 높은 비율을 보인다. 핵심 기법은 추가 제약을 도입한 LP 해를 정수화하고, k‑분할 매칭 구조를 이용해 온라인 라운드에서 선택을 조정하는 것이다.

상세 분석

이 논문은 온라인 매칭 분야에서 가장 널리 연구된 “known I.I.D. model”에 새로운 접근을 제시한다. 기존 연구들은 주로 적응형 알고리즘이나 두 개의 오프라인 매칭을 활용해 0.667(가중치 매칭)·0.725(정점 가중치) 정도의 경쟁비율을 얻었다. 저자들은 먼저 오프라인 LP를 구성하고, 기존 제약(각 정점당 매칭 수 ≤1) 외에 추가적인 “확률적 도착” 제약을 도입한다. 특히 제약 (4)와 (5)는 각각 단일 정점이 매칭될 확률을 1‑1/e 이하로 제한하고, 두 개의 인접 에지가 동시에 선택될 확률을 1‑1/e² 이하로 제한한다. 이러한 제약은 실제 온라인 과정에서 에지 실현 확률과 일치하도록 설계돼, LP 해가 실제 기대 최적값을 상한한다는 Lemma 1을 보인다.

다음 단계는 LP 해 f를 “k‑분할 매칭” 형태로 변환하는 것이다. 저자들은 k를 정수 파라미터로 두고, f를 {0,1/k,2/k,…,1} 값만 갖는 다중 매칭 집합 {M₁,…,M_k} 로 랜덤하게 이동한다. 이 과정은 “무작위 이동(random move)”이라 부르며, 각 제약을 기대값에서 정확히 보존하고, 고확률로 근사적으로 유지한다. 결과적으로 각 매칭 M_i는 서로 거의 독립적인 구조를 가지며, 특정 에지가 모든 M_i에 동시에 포함될 확률이 크게 감소한다. 이는 기존 두 매칭을 사용하는 방법보다 에지 충돌을 현저히 줄여, 각 에지가 매칭될 확률을 f*_e·α 로 보장한다(α≈0.705 또는 0.7299). Lemma 2와 Lemma 3을 통해 이 확률 하한이 전체 알고리즘의 경쟁비율 하한으로 바로 연결됨을 증명한다.

가중치 매칭에서는 k=2를 선택해 두 개의 매칭을 구성하고, 각 도착 시점에 아직 매칭되지 않은 정점에 대해 M₁에서 가능한 에지를 우선 시도하고, 실패 시 M₂를 사용한다. 정점 가중치 경우에도 동일한 구조를 적용하되, 정점별 가중치를 고려해 매칭 선택 확률을 가중치 비례로 조정한다. 이때 얻어지는 경쟁비율은 0.7299로, 기존 0.7250을 약 0.5% 개선한다.

확률적 보상 모델에서는 에지가 존재할 확률 p_e 를 고려한다. 비적응적 알고리즘은 각 도착 시점에 사전에 정해진 순서대로 에지를 탐색하고, 존재하면 즉시 매칭한다. 이때 LP에 (6) 형태의 제약을 추가해, 작은 집합 S에 대해 ∑_{e∈S} f_e ≤ 1‑exp(‑|S|p) / p 를 만족하도록 만든다. |S|≤2/p 로 제한하면 다항시간 내에 해결 가능한 LP가 된다. 이 LP를 기반으로 한 비적응적 정책은 1‑1/e의 최적 비율을 달성한다. 특히 모든 에지가 동일한 존재 확률 p 를 가질 때는, 강화된 LP 벤치마크를 사용해 1‑1/e보다 높은 비율을 보이며, 이는 기존의 “uniform stochastic rewards” 결과를 뛰어넘는다.

전체적으로 이 논문은 (1) 추가 제약을 통한 강화된 LP 설계, (2) LP 해의 정수화와 k‑분할 매칭 구조, (3) 확률적 보상에 대한 비적응적 최적 정책이라는 세 가지 핵심 기법을 결합해, 온라인 매칭의 경쟁비율을 기존 최첨단보다 의미 있게 향상시켰다. 또한 제시된 기법은 매칭 폴리토프의 구조적 특성을 활용하므로, 향후 다른 온라인 최적화 문제에도 적용 가능성이 높다.