[論文レビュー] Better and Simpler Learning-Augmented Online Caching

Alexander Wei|arXiv (Cornell University)|Jan 1, 2020

Optimization and Search Problems参考文献 27被引用数 18

ひとこと要約

本稿では、盲目的予測に従う BlindOracle アルゴリズムと、O(log k)-competitive なベースラインアルゴリズム（例：Marker）とをブラックボックス的に組み合わせることで、シンプルでありながら優れた学習補助型オンラインキャッシュアルゴリズムを提案する。得られるアルゴリズムは、O(1 + min(η/(k·OPT), log k)) の競合比を達成し、先行手法を上回る性能を発揮する一方で、著しく単純であり、この問題における決定的アルゴリズムの中で最適である。

ABSTRACT

Lykouris and Vassilvitskii (ICML 2018) introduce a model of online caching with machine-learned advice, where each page request additionally comes with a prediction of when that page will next be requested. In this model, a natural goal is to design algorithms that (1) perform well when the advice is accurate and (2) remain robust in the worst case a la traditional competitive analysis. Lykouris and Vassilvitskii give such an algorithm by adapting the Marker algorithm to the learning-augmented setting. In a recent work, Rohatgi (SODA 2020) improves on their result with an approach also inspired by randomized marking. We continue the study of this problem, but with a somewhat different approach: We consider combining the BlindOracle algorithm, which just naïvely follows the predictions, with an optimal competitive algorithm for online caching in a black-box manner. The resulting algorithm outperforms all existing approaches while being significantly simpler. Moreover, we show that combining BlindOracle with LRU is in fact optimal among deterministic algorithms for this problem.

研究の動機と目的

• 予測が正確な場合に優れた性能を発揮するとともに、最悪ケースでも頑健である学習補助型オンラインキャッシュアルゴリズムを設計すること。
• 確率的マーキングに基づく従来のアプローチを単純化すること、これらは複雑で技巧的である。
• BlindOracle と競合性の高いベースラインを組み合わせることで、決定的アルゴリズムの中で最適な性能が達成されることを示すこと。
• 既知のアルゴリズムコンビナトリ（algorithm combiners）を用いて、明確な定数係数を伴うよりタイトな競合比の境界を提供すること。
• 決定的アルゴリズムにおいて、η/(k·OPT) に線形依存があることが必要であることを示す下界を確立すること。

提案手法

• BlindOracle（予測に素直に従う）と O(log k)-competitive なオンラインキャッシュアルゴリズム（例：Marker）とをブラックボックス的構成により組み合わせる。
• Fiat ら（1991）および Blum と Burch（2000）が提案した既知の競合性アルゴリズムコンビナトリを用いて、BlindOracle とベースラインを統合する。
• 競合比解析において、ℓ1 予測誤差 η とオフライン最適コスト OPT を主要パラメータとして用いる。
• 慎重な最悪ケースと楽観的ケースの分解を用いて、組み合わせアルゴリズムの競合比を分析する。
• 決定的アルゴリズムが η/(k·OPT) に線形依存する競合比を負担しなければならないことを示すために、新しい還元を用いる。
• オンラインアルゴリズム合成における既知の最適境界を活用して、競合比における定数係数を最小化する。

実験結果

リサーチクエスチョン

• RQ1 BlindOracle と競合性の高いベースラインを組み合わせた単純なアプローチは、既存の学習補助型キャッシュアルゴリズムを上回る性能を発揮できるか？
• RQ2 BlindOracle と決定的競合性アルゴリズム（例：LRU）を組み合わせることは、学習補助型キャッシュにおいてすべての決定的アルゴリズムの中で最適な性能を達成するか？
• RQ3 決定的学習補助型キャッシュアルゴリズムが達成可能な最もタイトな競合比は何か？
• RQ4 適当な方法ではなく、最適なアルゴリズムコンビナトリを用いることで、競合比の定数係数を改善できるか？
• RQ5 η/(k·OPT) が有界であっても、logarithmic な依存関係を達成するには確率的化が必要か？

主な発見

• 提案されたアルゴリズムは、O(1 + min(η/(k·OPT), log k)) の競合比を達成し、LNonMarker の O(1 + min(log k / k · η/OPT, log k)) の境界を改善する。
• BlindOracle と LRU を組み合わせることで、この問題におけるすべての決定的アルゴリズムの中で最適な性能を達成する決定的アルゴリズムが得られる。
• 任意の決定的アルゴリズムの競合比境界は、少なくとも 1 + Ω(min(η/(k·OPT), k)) であることが示され、η/(k·OPT) に線形依存があることが必要であることを証明する。
• Fiat ら（1991）および Blum と Burch（2000）の最適なアルゴリズムコンビナトリを用いることで、競合比の定数係数が改善される。
• η/(k·OPT) に対して対数的依存関係を達成するには、確率的化が必要であり、η/(k·OPT) が有界であっても、これは驚くべき直感に反する。
• このアプローチは理論的に優れているだけでなく、確率的マーキングに基づく従来の手法よりも著しく単純である。