Time Fairness in Online Knapsack Problems

要約

オンライン ナップザック問題は、オンライン アルゴリズムの分野における古典的な問題です。
その正規版では、オンラインで到着するさまざまな価値と重量のアイテムを、許容されるアイテムの合計価値を最大化するために、容量が制限されたナップザックにどのように詰めるかを尋ねます。
この問題に対して最適な競争アルゴリズムが知られていますが、それらは根本的に不公平である可能性があります。つまり、個々の項目が異なる方法で不公平に扱われる可能性があります。
私たちは、クラウド リソース割り当てなどの動機を与えるアプリケーションにおける静的価格設定と動的価格設定の間のトレードオフを効果的にモデル化する、実際に関連する時間の公平性の概念を形式化し、この指標の下では既存のアルゴリズムのパフォーマンスが低いことを示します。
我々は、パラメータが公平性 (静的価格設定) と競争力 (動的価格設定) の間のパレート最適トレードオフを正確に捉える、パラメータ化された決定論的アルゴリズムを提案します。
私たちは、ランダム化が理論的には競争力と公平性を同時に実現するのに十分強力であることを示します。
ただし、実験ではうまく機能しません。
公平性と競争性のトレードオフをさらに改善するために、公平性、一貫性、堅牢性（競争性）に優れたほぼ最適な学習拡張アルゴリズムを開発し、数値実験で大幅なパフォーマンスの向上を示しました。

要約(オリジナル)

The online knapsack problem is a classic problem in the field of online algorithms. Its canonical version asks how to pack items of different values and weights arriving online into a capacity-limited knapsack so as to maximize the total value of the admitted items. Although optimal competitive algorithms are known for this problem, they may be fundamentally unfair, i.e., individual items may be treated inequitably in different ways. We formalize a practically-relevant notion of time fairness which effectively models a trade off between static and dynamic pricing in a motivating application such as cloud resource allocation, and show that existing algorithms perform poorly under this metric. We propose a parameterized deterministic algorithm where the parameter precisely captures the Pareto-optimal trade-off between fairness (static pricing) and competitiveness (dynamic pricing). We show that randomization is theoretically powerful enough to be simultaneously competitive and fair; however, it does not work well in experiments. To further improve the trade-off between fairness and competitiveness, we develop a nearly-optimal learning-augmented algorithm which is fair, consistent, and robust (competitive), showing substantial performance improvements in numerical experiments.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google