Decision-Theoretic Approaches in Learning-Augmented Algorithms

要約

この作業では、アルゴリズムの設計と分析における意思決定理論メトリックの体系的な研究を、機械学習予測で開始します。
距離ベースの評価などの決定論的尺度の両方に基づいて、アルゴリズムが理想的なソリューションにどれだけ近いかを定量化するのに役立つアプローチと、アルゴリズムのパフォーマンスとリスクのトレードオフのバランスをとることができる確率論的手段を導入します。
不完全なオラクルに関連付けられています。
これらのアプローチは、少数の、そして多くの場合エラーの極端な値に焦点を当てたいくつかの以前の作品とは異なり、予測エラーの全体にわたるアルゴリズムパフォーマンスを定量化するのに役立ちます。
これらの手法は、リソースの割り当てとオンライン意思決定、つまり契約スケジューリングと1-Max検索からの2つのよく知られている問題に適用します。

要約(オリジナル)

In this work, we initiate the systemic study of decision-theoretic metrics in the design and analysis of algorithms with machine-learned predictions. We introduce approaches based on both deterministic measures such as distance-based evaluation, that help us quantify how close the algorithm is to an ideal solution, as well as stochastic measures that allow us to balance the trade-off between the algorithm’s performance and the risk associated with the imperfect oracle. These approaches help us quantify the algorithmic performance across the entire spectrum of prediction error, unlike several previous works that focus on few, and often extreme values of the error. We apply these techniques to two well-known problems from resource allocation and online decision making, namely contract scheduling and 1-max search.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google