[논문 리뷰] Secretary and Online Matching Problems with Machine Learned Advice

Antonios Antoniadis, Themis Gouleakis외 2명|arXiv (Cornell University)|2020. 06. 01.

Optimization and Search Problems인용 수 8

한 줄 요약

이 논문은 미래 입력에 대한 기계학습 예측을 통합함으로써 고전적인 온라인 선택 알고리즘—특히 서류접수 문제, 온라인 이분 매칭, 그래프 매트로이드 서류접수 문제—을 향상시키는 새로운 프레임워크를 제안한다. 정확한 예측이 이루어질 경우 개선된 경쟁비를 달성하지만, 예측 오차가 발생할 경우에도 최악의 경우 성능 보장을 유지하며 점진적으로 악화되는 방식으로 안정성을 확보함으로써 정확성과 견고성 사이의 트레이드오프를 수립한다.

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.

연구 동기 및 목표

• 고전적인 온라인 알고리즘의 한계를 해결하기 위해, 최악의 경우 분석에 의존하여 비현실적으로 낙관적이지 않은 비최악의 입력에 대해 과도하게 비관적인 결과를 낳을 수 있다는 점을 고려한다.
• 최악의 경우 성능 보장을 훼손하지 않고 온라인 선택 문제에 기계학습 예측을 통합한다.
• 예측에 대한 신뢰도와 잘못된 예측에 대한 견고성 사이를 동적으로 균형 잡는 알고리즘을 설계한다.
• 정확한 예측 하에서의 경쟁비와 높은 예측 오차 하에서의 성능 사이의 트레이드오프를 체계적으로 정의한다.

제안 방법

• 고전적인 온라인 알고리즘에 예측값 $ p^* $ 를 추가하고, 예측 오차 $ \eta = |p^* - v^*| $ 를 핵심 매개변수로 사용한다.
• 세 단계 알고리즘 아키텍처를 설계한다: (1) 초기 도착을 관찰하여 임계값을 校정한다, (2) 예측 기반 의사결정 규칙을 적용한다, (3) 예측이 실패할 경우 고전적 전략으로 대체한다.
• 이분 매칭 및 매트로이드 환경에서 프록시 기반 매칭을 사용하여, 예측이 약간 어긋나더라도 고가치 간선이 커버되도록 보장한다.
• 예측된 값 $ p_v^* $ 를 기반으로 임계값 $ t_v $ 를 정의하고, 해당 임계값을 초과하는 간선만 매칭함으로써 최악의 경우에도 고전적 알고리즘과 일관성을 유지한다.
• 도착 순서의 확률적 분석을 통해 경쟁비의 경계를 설정하며, 균일한 무작위성과 프록시 간선을 통한 간선 가중치 커버리지의 이점을 활용한다.
• 예측 오차 $ \eta $ 가 증가함에 따라 경쟁비가 점진적으로 악화되지만, 일정한 요소의 최악의 경우 보장을 유지함을 증명한다.

실험 결과

연구 질문

• RQ1 기계학습 예측을 통합함으로써 고전적인 온라인 선택 알고리즘의 경쟁비를 향상시킬 수 있는가? 이때 최악의 경우 성능 보장은 훼손되지 않는다.
• RQ2 정확한 예측 하에서의 성능 향상과 잘못된 예측 하에서의 성능 저하 사이의 트레이드오프는 무엇인가?
• RQ3 예측 오차 $ \eta $ 는 어떻게 체계적으로 온라인 알고리즘에 통합되어 견고성을 확보할 수 있는가?
• RQ4 이 프레임워크는 서류접수, 이분 매칭, 매트로이드 문제와 같은 다양한 온라인 선택 문제에 일반화될 수 있는가?
• RQ5 정확한 예측 하에서 일정한 경쟁비를 유지하면서도 최악의 경우 $ O(1) $-경쟁 성능을 달성할 수 있는가?

주요 결과

• 정확한 예측이 이루어질 경우 제안된 알고리즘은 고전적 서류접수 알고리즘의 $ 1/e $ 보다 엄밀히 높은 경쟁비를 달성한다.
• 최악의 경우, 예측이 임의로 잘못되었을 때도 알고리즘은 최소 $ (d-1)/c^2 $ 의 경쟁비를 유지하며, 이는 0에서 벗어나 있는 것으로 보장된다.
• 온라인 이분 매칭의 경우, 경쟁비는 $ \frac{1}{2}\left(\frac{1}{d} - \frac{1}{c}\right)\left(1 - \frac{2(\lambda + \eta)|V|}{\text{OPT}}\right) $ 이하로 떨어지지 않으며, 이는 예측 오차 $ \eta $ 와 스래시 파라미터에 의존함을 보여준다.
• 프레임워크는 제2단계에서 매칭되지 않은 고가치 간선이 프록시 간선에 의해 커버됨을 보장하여 가중치 기반 성능 보장을 가능하게 한다.
• 분석을 통해 서로 다른 정점에 대한 프록시는 유일함을 증명하여 중복 계산을 방지하고 기대 성능에 대한 날카운 경계를 확보한다.
• 결과는 예측을 통합함으로써 실질적으로 더 나은 성능을 보장할 수 있으며, 이는 이론적 견고성과도 일치함을 보여준다.