[논문 리뷰] Strategyproof Scheduling with Predictions

Eric Balkanski, Vasilis Gkatzelis외 1명|arXiv (Cornell University)|2022. 09. 08.

Auction Theory and Applications인용 수 4

한 줄 요약

이 논문은 기계 학습을 통한 처리 시간 예측을 활용하여 O(1) 일致성과 O(n) 내구성을 달성하는 학습 보조 전략 증명 가능한 스케줄링 메커니즘을 제안한다. 이는 예측에 기반한 스케줄링과 내구성 보장을 결합한 새로운 메커니즘인 ErrorTolerantScaledGreedy를 제안하며, 임의의 1-일치하는 결정적 전략 증명 가능한 메커니즘은 무한한 내구성을 가져야 하므로, 기본적인 상충 관계를 입증한다.

ABSTRACT

In their seminal paper that initiated the field of algorithmic mechanism design, \citet{NR99} studied the problem of designing strategyproof mechanisms for scheduling jobs on unrelated machines aiming to minimize the makespan. They provided a strategyproof mechanism that achieves an $n$-approximation and they made the bold conjecture that this is the best approximation achievable by any deterministic strategyproof scheduling mechanism. After more than two decades and several efforts, $n$ remains the best known approximation and very recent work by \citet{CKK21} has been able to prove an $Ω(\sqrt{n})$ approximation lower bound for all deterministic strategyproof mechanisms. This strong negative result, however, heavily depends on the fact that the performance of these mechanisms is evaluated using worst-case analysis. To overcome such overly pessimistic, and often uninformative, worst-case bounds, a surge of recent work has focused on the ``learning-augmented framework'', whose goal is to leverage machine-learned predictions to obtain improved approximations when these predictions are accurate (consistency), while also achieving near-optimal worst-case approximations even when the predictions are arbitrarily wrong (robustness). In this work, we study the classic strategic scheduling problem of~\citet{NR99} using the learning-augmented framework and give a deterministic polynomial-time strategyproof mechanism that is $6$-consistent and $2n$-robust. We thus achieve the ``best of both worlds'': an $O(1)$ consistency and an $O(n)$ robustness that asymptotically matches the best-known approximation. We then extend this result to provide more general worst-case approximation guarantees as a function of the prediction error. Finally, we complement our positive results by showing that any $1$-consistent deterministic strategyproof mechanism has unbounded robustness.

연구 동기 및 목표

• n-근사 장벽을 초월하여 향상된 근사 보장을 갖춘 전략 증명 가능한 스케줄링 메커니즘을 설계하는 오랫동안 열려 있던 문제를 해결하기 위해.
• 기계 학습된 예측을 메커니즘 설계에 통합하여 최악의 경우 분석과 실용적 성능 사이의 격차를 메우기 위해.
• 단일 결정적 메커니즘에서 예측이 정확할 경우 높은 일치성(성능)과 예측이 부정확할 경우 강력한 내구성(성능)을 동시에 달성하기 위해.
• 전략 증명 가능한 스케줄링에서 일치성과 내구성 간의 기본 한계를 설정하기 위해.

제안 방법

• 예측된 처리 시간을 기반으로 스케줄링 결정을 유도하는 결정적, 다항 시간 전략 증명 가능한 메커니즘인 ErrorTolerantScaledGreedy를 제안한다.
• 스케일된 처리 시간 지표 r(i,j) = p(i,j) / p(i*,j) 를 도입하며, 여기서 i* 는 작업 j 에 대해 예측 처리 시간이 가장 짧은 머신이다.
• 예측 오차에 대한 내성 범위인 η 를 도입하여, 예측에서 벗어나는 정도가 허용 범위를 초과할 경우 후속 전략으로 전환하도록 제어한다.
• 하이브리드 접근 방식을 적용: 예측 오차 η ≤ η̄ 이면 (2+γ)αη²-근사가 달성되고, 그렇지 않으면 (1+1/γ)η²n-근사로 점진적으로 악화된다.
• 단조성 및 inccentive compatibility 논증을 활용하여 전략 증명성을 증명하며, 비용 변화에 대한 할당 불변성에 관한 보조정리 25에 기반한다.
• 최악의 경우 분석을 통해 OPT 와 예측 오차 η 를 이용한 최대 종료 시간의 경계를 도출하고, 작업 할당에 대한 부등식을 통해 근사 보장을 유도한다.

실험 결과

연구 질문

• RQ1 기계 학습된 예측을 사용하여 결정적 전략 증명 가능한 스케줄링 메커니즘이 O(1) 일치성을 달성하면서도 O(n) 내구성을 유지할 수 있는가?
• RQ2 전략 증명 가능한 스케줄링 메커니즘에서 일치성과 내구성 간의 기본 상충 관계는 무엇인가?
• RQ3 예측이 정확할 경우 거의 최적의 성능을 보이며, 임의의 예측 오차에 대해서도 내구성을 유지할 수 있는 메커니즘을 설계할 수 있는가?
• RQ4 O(n) 최악의 경우 근사 범위를 내구성으로 유지하면서도 상수 수준의 일치성을 달성할 수 있는가?
• RQ5 1-일치성 메커니즘의 내구성 측면에서의 한계는 무엇인가?

주요 결과

• 제안된 ErrorTolerantScaledGreedy 메커니즘은 예측 오차 η ≤ η̄ 일 때 (2+γ)αη²-근사를 달성하여, 유한한 예측 오차에 대해 O(1) 일치성을 보장한다.
• 예측 오차가 허용 범위를 초과할 경우, 메커니즘은 (1+1/γ)η²n-근사로 점차적으로 악화되며, 이는 결정적 전략 증명 가능한 메커니즘에서 알려진 최고의 최악의 경우 O(n) 근사와 일치한다.
• 단조성과 비용 변화에 대한 할당 불변성에 기반한 논증을 통해 메커니즘이 전략 증명적임을 입증하였다.
• 임의의 1-일치하는 결정적 전략 증명 가능한 메커니즘은 무한한 내구성을 가져야 하며, 이는 예측 정확도가 악성 예측 오차 상황에서 최대 종료 시간이 무한히 증가하는 예시를 통해 입증되었다.
• 논문은 기본 상충 관계를 설정하였으며, 완벽한 일치성(1-일치성)을 달성하면 무한한 내구성이 요구되어, 악성 예측 오차 상황에서는 실용적이지 않음을 입증하였다.
• 이론적 경계는 날카롭게 조정되어 있으며, 이 메커니즘은 이 문제의 학습 보조 프레임워크에서 일치성과 내구성 간의 최선의 가능한 상충 관계를 달성한다.