[論文レビュー] Knowledge State Algorithms: Randomization with Limited Information

Wolfgang Bein, Lawrence L. Larmore+1 more|ArXiv.org|Jan 23, 2007

Optimization and Search Problems参考文献 10被引用数 3

ひとこと要約

本稿では、限られたメモリを備えた競争的ランダム化オンラインアルゴリズムを設計するためのフレームワークとして、知識状態モデルを導入する。この手法をページング問題に適用し、最小限のブックマーク使用でk=2およびk=3について最適な競争比を達成するアルゴリズムを提示している。それぞれH₂およびH₃の競争比を達成している。

ABSTRACT

We introduce the concept of knowledge states; many well-known algorithms can be viewed as knowledge state algorithms. The knowledge state approach can be used to to construct competitive randomized online algorithms and study the tradeoff between competitiveness and memory. A knowledge state simply states conditional obligations of an adversary, by fixing a work function, and gives a distribution for the algorithm. When a knowledge state algorithm receives a request, it then calculates one or more "subsequent" knowledge states, together with a probability of transition to each. The algorithm then uses randomization to select one of those subsequents to be the new knowledge state. We apply the method to the paging problem. We present optimally competitive algorithm for paging for the cases where the cache sizes are k=2 and k=3. These algorithms use only a very limited number of bookmarks.

研究の動機と目的

• ランダム化オンラインアルゴリズムにおけるメモリ使用量と競争比のトレードオフを扱う。
• このようなアルゴリズムの体系的構築を可能にする形式的フレームワーク「知識状態アルゴリズム」を構築する。
• 特に小さなkに対して、最小限の状態表現で最適な競争比（Hₖ）を達成するページング問題の最適化を図る。
• kキャッシュ問題において、O(k)のブックマークを持つアルゴリズムが最適な競争比を達成できるかを検討する。
• 一般の距離空間における2サーバー問題の2-競争比の壁を、このフレームワークを用いて打ち破れるかを調査する。

提案手法

• 知識状態モデルは、作業関数を介した条件付き義務を用い、将来の状態の確率分布を定義することで、ランダム化を誘導する。
• 各リクエストに対して、関連する遷移確率を持つ1つ以上の次期知識状態を計算する。
• これらの確率に基づいて、確率的選択により次の状態を選択し、知識状態上でのマルコフ連鎖に類似したプロセスを形成する。
• 混合モデルによるオンライン計算を用いて、競争比を形式的に分析・証明するために、潜在関数（Φ）を用いる。
• 期待コストと潜在関数の変化の合計が最適なオフラインコストによって有界であることを確認することで、競争比を証明する。
• 知識状態をページの集合とリクエストパターンに基づいて定義することで、ページング問題にこの手法を適用し、k=2およびk=3について明示的な構成を提示する。

実験結果

リサーチクエスチョン

• RQ1 知識状態モデルを用いて、証明可能な最適な競争比と有界なメモリ使用量を持つランダム化オンラインアルゴリズムを設計できるか？
• RQ2 kキャッシュ問題において、O(k)のブックマークを持つアルゴリズムがHₖの競争比を達成できるか？
• RQ3 このフレームワークを用いて、一般の距離空間における2サーバー問題の2-競争比の壁を打ち破れるか？
• RQ4 小さなkに対して、最適な競争比を達成するための最小メモリ要件（知識状態の数）は何か？
• RQ5 知識状態手法を、ページング問題やサーバー問題を越えて、他のオンライン問題へ体系的に適用できるか？

主な発見

• 2次の知識状態アルゴリズムを構築し、1つのブックマークのみを用いて2キャッシュ問題に対してH₂-競争比を達成した。
• 3次の知識状態アルゴリズムを開発し、3キャッシュ問題に対してH₃-競争比を達成した。これは、EQUITABLEのような先行手法よりもメモリ効率が優れている。
• 距離が1または2である距離空間M₂,₄において、コンピュータ生成の2次知識状態アルゴリズムが7/4-競争比を達成した。
• M₂,₄における任意の2次知識状態アルゴリズムの理論的下界は173+√137 / 112 ≈ 1.76であり、改善の余地があることを示している。
• M₂,₄における3次知識状態アルゴリズムは19/12-競争比を達成し、これが最適であることが証明された。なぜなら、この空間内ではいかなるランダム化アルゴリズムでもこれ以上の競争比を達成できないからである。
• 3次アルゴリズムのすべての知識状態と遷移確率は有理数で表現可能であり、計算上の実行可能性が保証されている。