[論文レビュー] Secretary and Online Matching Problems with Machine Learned Advice

Antonios Antoniadis, Themis Gouleakis+2 more|arXiv (Cornell University)|Jun 1, 2020

Optimization and Search Problems被引用数 8

ひとこと要約

本論文は、将来的な入力を予測する機械学習予測を統合することで、古典的なオンライン選択アルゴリズム（特に秘書問題、オンライン二部マッチング、グラフ的マトロイド秘書問題）を強化する新しいフレームワークを提案する。予測が正確な場合にはより優れた競合比を達成する一方で、予測誤差が生じた場合でも劣化が滑らかに抑えられるworst-case性能保証を維持し、精度と頑健性の間のトレードオフを確立する。

ABSTRACT

The classical analysis of online algorithms, due to its worst-case nature, can be quite pessimistic when the input instance at hand is far from worst-case. Often this is not an issue with machine learning approaches, which shine in exploiting patterns in past inputs in order to predict the future. However, such predictions, although usually accurate, can be arbitrarily poor. Inspired by a recent line of work, we augment three well-known online settings with machine learned predictions about the future, and develop algorithms that take them into account. In particular, we study the following online selection problems: (i) the classical secretary problem, (ii) online bipartite matching and (iii) the graphic matroid secretary problem. Our algorithms still come with a worst-case performance guarantee in the case that predictions are subpar while obtaining an improved competitive ratio (over the best-known classical online algorithm for each problem) when the predictions are sufficiently accurate. For each algorithm, we establish a trade-off between the competitive ratios obtained in the two respective cases.

研究の動機と目的

• 古典的なオンラインアルゴリズムがworst-case分析に依存するため、worst-case以外の入力に対して過剰に悲観的になるという限界を是正すること。
• worst-case性能保証を損なわずにオンライン選択問題に機械学習予測を統合すること。
• 予測への信頼度と誤った予測に対する頑健性の間を動的にバランスさせるアルゴリズムを設計すること。
• 正確な予測下での競合比と高い予測誤差下での性能の間のトレードオフを形式的に定式化すること。

提案手法

• 古典的オンラインアルゴリズムに予測値 $ p^* $ を追加し、予測誤差 $ \eta = |p^* - v^*| $ を主要パラメータとして用いる。
• 三段階のアルゴリズム的構造を設計する：(1) 初期の到着を観測してしきい値をキャリブレーションする、(2) 予測に基づく意思決定ルールを適用する、(3) 予測が失敗した場合に古典的戦略にフォールバックする。
• 二部マッチングおよびマトロイド設定ではプロキシベースのマッチングを用い、予測がわずかにずれても高価値エッジのカバレッジを保証する。
• 予測値 $ p_v^* $ に基づいてしきい値 $ t_v $ を定義し、エッジがこれらのしきい値を超える場合にのみマッチングを行うことで、worst-caseシナリオにおいて古典的アルゴリズムと整合性を保つ。
• 到着順序の確率的解析を用いて競合比の上限を確立し、一様なランダムネスとプロキシエッジによるエッジ重みカバレッジを活用する。
• 予測誤差 $ \eta $ が増加するに従い競合比が滑らかに劣化することを証明するが、同時に定数倍のworst-case保証を維持する。

実験結果

リサーチクエスチョン

• RQ1 機械学習予測を統合することで、古典的オンライン選択アルゴリズムの競合比を向上させつつ、worst-case性能保証を損なわないか？
• RQ2 正確な予測下での性能向上と、不正確な予測下での性能劣化の間のトレードオフは何か？
• RQ3 予測誤差 $ \eta $ をどのように形式的にオンラインアルゴリズムに統合し、頑健性を確保できるか？
• RQ4 このフレームワークは、秘書問題、二部マッチング、マトロイド問題といったさまざまなオンライン選択問題に一般化可能か？
• RQ5 正確な予測下では定数倍の競合比を達成しつつ、worst-caseで $ O(1) $-competitive性能を達成することは可能か？

主な発見

• 予測が正確な場合、提案アルゴリズムは古典的秘書アルゴリズムの $ 1/e $ よりも厳密に優れた競合比を達成する。
• worst-caseでは予測が任意に悪くても、競合比が少なくとも $ (d-1)/c^2 $ に保たれ、ゼロから離れている。
• オンライン二部マッチングにおいて、競合比は $ \frac{1}{2}\left(\frac{1}{d} - \frac{1}{c}\right)\left(1 - \frac{2(\lambda + \eta)|V|}{\text{OPT}}\right) $ で下限され、予測誤差 $ \eta $ とスラックパラメータに依存することが示された。
• このフレームワークにより、第2フェーズで未マッチの高価値エッジがすべてプロキシエッジでカバーされ、重みに基づく性能保証が可能になる。
• 分析により、異なる頂点のためのプロキシが一意であることが証明され、重複カウントの防止が可能となり、期待される性能のタイトな上限が得られる。
• 結果として、予測を組み込むことで実用的かつ証明可能な性能向上が達成可能であり、理論的頑健性を維持できることが示された。