[论文解读] A Secretary Problem with a Sliding Window for Recalling Applicants

Shan-Yuan Ho, Abijith Krishnan|arXiv (Cornell University)|Aug 31, 2015

Optimization and Search Problems参考文献 8被引用 4

一句话总结

本文研究了带有大小为 $K$ 的滑动窗口的秘书问题变体，允许回溯最后 $K$ 位申请者，并推导了三种情形下的最优策略与获胜概率：选择最佳申请者（Best-1）、选择前两名之一（Best-2），以及使用两次选择来选出最佳申请者（2-Choice）。主要贡献在于推导出获胜概率的渐近表达式及作为归一化窗口大小 $w = K/N$ 的函数的最优阈值，表明在 2-Choice 情形下，最优获胜概率随 $K$ 增大而增加，并在 $K \geq N/2$ 时达到 1。

ABSTRACT

The Sliding Window Secretary Problem allows a window of choices to the Classical Secretary Problem, in which there is the option to choose the previous $K$ choices immediately prior to the current choice. We consider a case of this sequential choice problem in which the interviewer has a finite, known number of choices and can only discern the relative ranks of choices, and in which every permutation of ranks is equally likely. We examine three cases of the problem: (i) the interviewer has one choice to choose the best applicant; (ii) the interviewer has one choice to choose one of the top two applicants; and (iii) the interviewer has two choices to choose the best applicant. The form of the optimal strategy is shown, the probability of winning as a function of the window size is derived, and the limiting behavior is discussed for all three cases.

研究动机与目标

• 通过引入滑动窗口机制，允许回溯前 $K$ 位申请者，将经典秘书问题扩展为更贴近实际的序列决策问题。
• 分析三种不同的收益情形：选择最佳申请者、选择前两名之一，以及使用两次选择来选出最佳申请者。
• 推导每种情形下的最优停止规则，并计算作为窗口大小 $K$ 函数的最大获胜概率。
• 对 $N$ 较大时进行渐近分析，将窗口大小归一化为 $w = K/N$，并刻画最优阈值与获胜概率的极限行为。

提出的方法

• 基于相对排名与窗口约束，采用递归动态规划方法，计算每种情形下的获胜概率。
• 引入归一化函数 $F$、$C$ 和 $G$ 来建模条件概率，通过积分近似实现渐近分析。
• 利用涉及窗口区间累积概率的递归方程，推导出最优阈值 $\delta_1^*$ 与 $\delta_2^*$ 作为 $w = K/N$ 的函数。
• 对索引与概率进行归一化处理，将离散递推关系转化为大 $N$ 情形下的连续积分方程。
• 通过数值分析与渐近分析，评估作为 $w$ 函数的最优获胜概率，包括 $N \to \infty$ 时的极限行为。
• 通过模拟与经典秘书问题极限（如 $1/e \approx 0.37$）的对比，验证结果的有效性。

实验结果

研究问题

• RQ1 在面试官可在序列选择过程中回溯最后 $K$ 位申请者的情形下，最优策略与最大获胜概率是什么？
• RQ2 在 Best-1、Best-2 与 2-Choice 情形下，最优决策阈值如何随归一化窗口大小 $w = K/N$ 变化？
• RQ3 当 $N \to \infty$ 时，每种情形下获胜概率的渐近行为如何？其与 $w$ 的依赖关系是怎样的？
• RQ4 引入滑动窗口后，与经典秘书问题相比，成功概率有何提升？
• RQ5 在 2-Choice 情形下，获胜概率达到 1 的临界窗口大小 $K$ 是多少？

主要发现

• 在 2-Choice 情形下，当 $K \geq N/2$ 时，最优获胜概率达到 1，表明当窗口足够大时，面试官总能选出最佳申请者。
• 在 Best-1 情形下，最优获胜概率随 $K$ 增大而增加，趋近于依赖于 $w = K/N$ 的极限值，且当 $K > 1$ 时高于经典情形的 $1/e \approx 0.37$。
• 在 Best-2 情形下，当 $K = 1$ 且 $N$ 较大时，最优成功概率约为 0.574，且随 $K$ 增大而增加，最终趋近于 1。
• 在渐近情形下，最优阈值 $\delta_1^*$ 与 $\delta_2^*$ 仅依赖于归一化窗口大小 $w = K/N$，其行为在图 7 中可视化。
• 递归公式可对有限 $N$ 精确计算获胜概率，而归一化积分方程则为大 $N$ 情形提供了高精度近似。
• 结果可自然推广至 Top-$L$ 情形，即面试官通过选择任意前 $L$ 名申请者获胜，表明该方法在基于排名的选择问题中具有更广泛的应用潜力。