[論文レビュー] Online Algorithms for Weighted Paging with Predictions

Zhihao Jiang, Debmalya Panigrahi+1 more|arXiv (Cornell University)|Jan 1, 2020

Optimization and Search Problems被引用数 14

ひとこと要約

本稿は、予測を伴う重み付きページングのための Strong Per-Request Prediction (SPRP) モデルを導入し、次回リクエスト予測と強力な先行見通しを組み合わせることで、決定的2-competitiveなアルゴリズムを実現することを示している。これは古典的なオンライン下界を克服するものである。非重み付きページングとは異なり、1つのリクエストごとの予測や固定の先行見通しでは十分ではなく、両者の組み合わせによって予測誤差の下でも滑らかに劣化する定数競合比が達成可能である。

ABSTRACT

In this paper, we initiate the study of the weighted paging problem with predictions. This continues the recent line of work in online algorithms with predictions, particularly that of Lykouris and Vassilvitski (ICML 2018) and Rohatgi (SODA 2020) on unweighted paging with predictions. We show that unlike unweighted paging, neither a fixed lookahead nor knowledge of the next request for every page is sufficient information for an algorithm to overcome existing lower bounds in weighted paging. However, a combination of the two, which we call the strong per request prediction (SPRP) model, suffices to give a 2-competitive algorithm. We also explore the question of gracefully degrading algorithms with increasing prediction error, and give both upper and lower bounds for a set of natural measures of prediction error.

研究の動機と目的

• 予測を伴う重み付きページングを研究し、最近の非重み付きページングにおける予測の研究を拡張すること。
• 部分的な未来情報が重み付きページングにおいて、古典的なオンライン下界を克服できるかを特定すること。
• 予測が正確な場合に競合比が良く、予測誤差が増加するに従っても頑健性を保つアルゴリズムを設計すること。
• 重み付きページング設定における予測誤差の測定方法について、タイトな上界と下界を確立すること。

提案手法

• 1リクエストごとの予測（次回リクエスト時刻）とℓ-strong先行見通し（ℓ個の異なるページからなる未来のリクエスト列）を組み合わせたSPRPモデルを提案する。
• 予測されたリクエスト列に対して静的オフラインアルゴリズムを実行し、その削除動作を実際の入力に模倣する「Follow」アルゴリズムを導入する。
• 予測されたリクエスト列と実際のリクエスト列のコスト差を制約付き編集距離と動的計画法を用いて評価する。
• 再帰的コスト分解と予測リクエスト列と実際のリクエスト列の間のマッチング議論を用いて、競合比を分析する。
• PRPおよびℓ-strong先行見通しモデルに対して敵対的構成を用いて下界を確立し、決定的アルゴリズムではΩ(k)、確率的アルゴリズムではΩ(log k)の競合比が成立することを示す。
• 予測の質を測るための新しい誤差測定法ℓ1を導入し、ℓ1が増加するに従ってコストが滑らかに劣化することを証明する。

実験結果

リサーチクエスチョン

• RQ1 予測を伴う重み付きページングにおいて、Ω(k)の決定的下界およびΩ(log k)の確率的下界を克服できるか？
• RQ2 1リクエストごとの予測（PRP）または固定の先行見通し（ℓ-strong）は、重み付きページングにおいて定数競合比を達成するために十分か？
• RQ3 組み合わせ型予測モデル（SPRP）により、重み付きページングで定数競合比を達成できるアルゴリズムを実現できるか？
• RQ4 アルゴリズムの性能は予測誤差が増加するに従ってどのように劣化するか？また、その劣化は境界づけられるか？
• RQ5 定数競合比を達成しつつも頑健性を保つために必要な最小の予測モデルは何か？

主な発見

• SPRPモデルにより、重み付きページングにおいて決定的2-competitiveなアルゴリズムを実現でき、古典的なオンライン下界を克服できる。
• 1リクエストごとの予測（PRP）のみでは、決定的アルゴリズムでΩ(k)-competitive、確率的アルゴリズムでΩ(log k)-competitiveとなり、標準的なオンライン下界と一致する。
• ℓ ≤ n−k であるℓ-strong先行見通しでは、決定的アルゴリズムでΩ(k)、確率的アルゴリズムでΩ(log k)の下界が成立し、標準的なオンラインページングに改善がないことが示される。
• ℓ ≥ n−k+1 では、決定的アルゴリズムでΩ(n−ℓ)、確率的アルゴリズムでΩ(log(n−ℓ))の下界に劣化する。これは、より小さい先行見通しでは利得が減少することを示している。
• FollowアルゴリズムはO(1)·(OPT + ℓ1)のコストを達成し、予測誤差ℓ1に対して滑らかに劣化することを証明する。
• キャッシュを1スロット分だけ拡大しない限り、ℓ1に非線形依存を避けて定数競合比を達成することは不可能である。