[論文レビュー] Online Page Migration with ML Advice

Piotr Indyk, Frederik Mallmann-Trenn+2 more|arXiv (Cornell University)|Jun 9, 2020

Optimization and Search Problems参考文献 19被引用数 4

ひとこと要約

本稿では、機械学習による予測を用いて近似的に最適な性能を達成する学習補助オンラインページ移動アルゴリズムを提案する。予測されたリクエスト列に対して最適なオフライン解に従うことで、予測誤差率 $q$ を用いて $1 + O(q)$ の競合比を達成する。$q$ が小さくなるにつれてこの値は 1 に近づき、予測が悪くてもフォールバック機構により $O(1/q)$ の競合比を保証する。

ABSTRACT

We consider online algorithms for the {\em page migration problem} that use predictions, potentially imperfect, to improve their performance. The best known online algorithms for this problem, due to Westbrook'94 and Bienkowski et al'17, have competitive ratios strictly bounded away from 1. In contrast, we show that if the algorithm is given a prediction of the input sequence, then it can achieve a competitive ratio that tends to $1$ as the prediction error rate tends to $0$. Specifically, the competitive ratio is equal to $1+O(q)$, where $q$ is the prediction error rate. We also design a ``fallback option'' that ensures that the competitive ratio of the algorithm for {\em any} input sequence is at most $O(1/q)$. Our result adds to the recent body of work that uses machine learning to improve the performance of ``classic'' algorithms.

研究の動機と目的

• 不完全な機械学習予測を活用して競合比を向上させるオンラインページ移動アルゴリズムの設計。
• 予測が不正確であっても、フォールバック機構を組み込むことでアルゴリズムの頑健性を保証すること。
• オンラインページ移動の文脈において、予測精度とアルゴリズム性能のトレードオフを分析すること。
• 他のオンライン問題とは異なり、予測された最適解に従うことで近似的に最適な結果が得られることを示すこと。

提案手法

• 動的計画法を用いて、予測されたリクエスト列に対する最適なオフライン解を計算する。
• 事前に計算された経路に従って、実際のリクエストをオンラインで処理し、移動コストとサービスコストを最小化する。
• 予測列と実際の列が長さ $\varepsilon D$ の区間内で高々 $q$ 分の 1 の位置で異なるという仮定の下で、競合比を分析する。ここで $\varepsilon, q \in (0,1)$ である。
• 予測誤差が閾値を超えた場合にフォールバック機構が発動し、任意の入力に対して競合比が $O(1/q)$ に保たれるようにする。
• 均一な度合い空間では、$\varepsilon$-区間仮定を必要とせず、競合比が $1 + O(q)$ に改善される。
• 理論的分析では、構造的補題を用いて最適なオフライン解のコストを予測に基づく戦略のコストに対して有界化する。

実験結果

リサーチクエスチョン

• RQ1 予測されたリクエスト列に対する最適なオフライン解に従うことで、ページ移動問題において近似的に最適なオンラインアルゴリズムが得られるか？
• RQ2 予測誤差率 $q$ が増加するにつれて、予測に基づくアルゴリズムの競合比はどのように変化するか？
• RQ3 予測が不正確な場合にどのような保証が得られ、どのように頑健性を確保できるか？
• RQ4 性能の向上は、予測誤差の時間的分布などの構造に依存するのか？

主な発見

• 予測誤差率 $q$ が小さい場合、アルゴリズムの競合比は $1 + O(q)$ であり、$q \to 0$ のとき 1 に近づく。
• 均一な度合い空間では、競合比は $1 + O(q)$ であり、定数要因を除いてこれがタイトなバウンディングである。
• 任意の誤差分布に対しても、フォールバック機構のおかげで予測が信頼できない場合でも競合比は $O(1/q)$ に低下する。
• 実験では、予測精度が低くても、最新のオンラインアルゴリズム（$2.62$-近似）を著しく上回る性能を示した。
• ブラウン運動およびラインプロセスを用いた合成実験では、ノイズが小さい場合に予測に基づくアルゴリズムのコストが最適なオフラインコストに非常に近づいた。
• 正確に予測されたリクエストの割合がほぼゼロであっても、性能の向上が維持されるため、ノイズの多い予測に対しても頑健であることが示された。