[논문 리뷰] Improving Online Algorithms via ML Predictions

Ravi Kumar, Manish Purohit외 1명|arXiv (Cornell University)|2024. 07. 25.

Optimization and Search Problems참고 문헌 13인용 수 120

한 줄 요약

이 논문은 machine-learned predictions를 사용하여 ski rental과 non-clairvoyant scheduling에서 성능을 개선하는 온라인 알고리즘을 설계하고, 예측이 좋을 때 일관성과 예측이 좋지 않을 때 강건함을 달성하며, 실증적 검증을 제공합니다.

ABSTRACT

In this work we study the problem of using machine-learned predictions to improve the performance of online algorithms. We consider two classical problems, ski rental and non-clairvoyant job scheduling, and obtain new online algorithms that use predictions to make their decisions. These algorithms are oblivious to the performance of the predictor, improve with better predictions, but do not degrade much if the predictions are poor.

연구 동기 및 목표

• uncertainty 하에서 온라인 알고리즘의 성능 향상을 위해 ML 예측의 활용을 동기부여한다.
• 예측이 정확할 때 일관되고 예측이 좋지 않을 때도 강력하게 작동하는 온라인 알고리즘을 개발한다.
• ski rental과 non-clairvoyant scheduling에 대해 provable guarantees(robustness와 consistency)을 제공한다.
• 예측을 활용하는 결정론적 및 확률적 전략을 탐구한다.
• 예측 기반 방법과 고전적 baselines를 비교하는 실험을 통해 실용성을 검증한다.

제안 방법

• η = L1(prediction - reality)로 예측 오차를 모델링하고 γ-robustness와 β-consistency를 목표로 한다.
• λ ∈ (0,1) 매개변수를 갖는 결정론적 robust/consistent ski rental algorithm(Algorithm 2)을 개발하고 (1+1/λ)-robustness와 (1+λ)-consistency를 달성한다.
• (1+1/b)/(1−e^{−(λ−1/b)})-robustness와 (λ)/(1−e^{−λ})-consistency를 달성하는 randomized robust/consistent ski rental algorithm(Algorithm 3)을 개발한다.
• 비clairvoyant scheduling의 경우 SPJF (Shortest Predicted First)와 PRR (Preferential Round-Robin)을 도입하고 구조적 보조정리를 통해 robust/consistent 알고리즘과 경쟁적 보장을 얻는다.
• λ와 예측 오차 η의 함수로 구체적인 경쟁비와 트레이드오프를 제시한다.
• 다양한 수요 변동에 대해 ski rental을 확장하고 동일한 robustness/consistency 프레임워크가 적용됨을 보인다.

실험 결과

연구 질문

• RQ1 예측자의 품질을 가정하지 않고 ML 예측을 사용하여 온라인 알고리즘의 성능을 어떻게 개선할 수 있는가
• RQ2 예측과 함께한 ski rental의 최적의 robustness와 consistency 보장은 무엇인가
• RQ3 예측과 함께한 non-clairvoyant scheduling의 최적의 robustness/consistency 트레이드오프는 무엇인가
• RQ4 예측 오차가 성능에 어떤 영향을 미치며, 예측 오차 하에서 무작위 전략이 결정론적 전략보다 우수할 수 있는가

주요 결과

• 예측을 활용한 결정론적 ski rental은 (1+1/λ)-robustness와 (1+λ)-consistency를 얻는다.
• 예측을 활용한 randomized ski rental은 (1+1/b)/(1−e^{−(λ−1/b)})-robustness와 (λ)/(1−e^{−λ})-consistency를 얻는다.
• 예측을 활용한 비clairvoyant scheduling은 (2/(1−λ))-robust하고 (1/λ)-consistent한 randomized 알고리즘을 달성할 수 있다.
• SPJF는 η가 전체 예측 오차일 때 경쟁비가 최대 1+2η/n이고, n은 작업 수이다.
• PRR이 SPJF와 결합하면 경쟁비는 min{(1/λ)(1+2η/n), 2/(1−λ)}이고 robustess는 2/(1−λ), consistency은 1/λ이다.
• η=0일 때, 완벽한 예측하에서 PRR은 (1+λ)/(2λ)에 도달할 수 있어 그 경우 라운드로빈보다 개선된다.
• 실험은 예측 기반 알고리즘이 고전적 baselines를 능가하며, 결정론적 및 확률적 변형이 예측 비의 다양한 수준에서 비예측 방법보다 성능이 우수함을 보여준다.