我们研究在边的插入与删除下的动态最大权匹配（MWM），关注两类目标：保持对最优权值的 $(1\pm\varepsilon)$ 近似，以及保持一个显式的 $(1-\varepsilon)$ 近似匹配。
本文的核心贡献是一个降维技巧：将任意多项式纵横比的实例转化为纵横比仅为 $O(\varepsilon^{-1})$ 的实例。该技巧对一般图均适用，且兼容部分动态（仅插入或仅删除）的更新模型。
降维的关键在于局部边际的结构性质。我们先把所有边按权值划分为若干权重类，然后观察某一类相对于所有更低类的全局边际贡献。该全局贡献可以用该类在一个局部窗口（窗口的纵横比为 $O(\varepsilon^{-1})$）内的边际贡献来近似。对所有窗口的局部边际求和得到值组合引理，该引理只需要每个局部窗口的近似最优值即可。
相较于 Gupta 与 Peng（FOCS 2013）的值降维，其局部纵横比为 $\varepsilon^{-\Theta(\varepsilon^{-1})}$，我们的方法将其提升到线性 $O(\varepsilon^{-1})$，显著削减了依赖。
同一结构性质还能用于显式匹配的组合，引入匹配组合引理。在 Bernstein 等人（SODA 2025）的框架中，局部纵横比原本是 $O(\varepsilon^{-2})$，我们将其改进为 $O(\varepsilon^{-1})$，从而在保持相同近似保证的前提下进一步提升效率。
点评：这篇工作通过对局部边际的细致分析，提供了一套统一且更紧凑的纵横比缩减工具。它不仅统一了值和匹配两类问题的降维思路，还在理论上显著改善了先前的指数依赖，为后续的动态加权匹配算法奠定了更坚实的基础。