[论文解读] Better and Simpler Learning-Augmented Online Caching

Alexander Wei|arXiv (Cornell University)|Jan 1, 2020

Optimization and Search Problems参考文献 27被引用 18

一句话总结

本文通过黑箱方式将 BlindOracle 算法（即盲目遵循预测结果）与一个 O(log k)-竞争比的基线算法（例如 Marker）相结合，提出了一种简单但更优的学习增强型在线缓存算法。该算法实现了 O(1 + min(η/(k·OPT), log k)) 的竞争比，优于先前的方法，且在结构上显著简化，是该问题中所有确定性算法中的最优解。

ABSTRACT

Lykouris and Vassilvitskii (ICML 2018) introduce a model of online caching with machine-learned advice, where each page request additionally comes with a prediction of when that page will next be requested. In this model, a natural goal is to design algorithms that (1) perform well when the advice is accurate and (2) remain robust in the worst case a la traditional competitive analysis. Lykouris and Vassilvitskii give such an algorithm by adapting the Marker algorithm to the learning-augmented setting. In a recent work, Rohatgi (SODA 2020) improves on their result with an approach also inspired by randomized marking. We continue the study of this problem, but with a somewhat different approach: We consider combining the BlindOracle algorithm, which just naïvely follows the predictions, with an optimal competitive algorithm for online caching in a black-box manner. The resulting algorithm outperforms all existing approaches while being significantly simpler. Moreover, we show that combining BlindOracle with LRU is in fact optimal among deterministic algorithms for this problem.

研究动机与目标

• 设计一种学习增强型在线缓存算法，当预测准确时表现优异，同时在最坏情况下仍保持鲁棒性。
• 简化基于随机标记的现有方法，这些方法复杂且繁琐。
• 证明将 BlindOracle 与竞争性基线算法结合，可在所有确定性算法中实现最优性能。
• 利用已知的算法组合器，提供更紧致的竞争比界，并明确常数因子。
• 建立下界，证明对于确定性算法而言，η/(k·OPT) 的线性依赖关系是必要的。

提出的方法

• 通过黑箱组合方式，将盲从预测的 BlindOracle 与一个 O(log k)-竞争比的在线缓存算法（例如 Marker）相结合。
• 应用 Fiat 等人（1991）以及 Blum 与 Burch（2000）提出的已知竞争性算法组合器，将 BlindOracle 与基线算法合并。
• 在竞争比分析中，使用 ℓ1 预测误差 η 和离线最优代价 OPT 作为关键参数。
• 通过仔细的最坏情况与乐观情况分解，分析组合算法的竞争比。
• 提出一种新颖的归约方法，证明确定性算法必须在竞争比中表现出对 η/(k·OPT) 的线性依赖。
• 利用已知的在线算法组合最优界，最小化竞争比中的常数因子。

实验结果

研究问题

• RQ1 结合 BlindOracle 与竞争性基线的更简单方法，是否能优于现有的学习增强型缓存算法？
• RQ2 将 BlindOracle 与确定性竞争性算法（例如 LRU）结合，是否在所有确定性算法中达到最优？
• RQ3 确定性学习增强型缓存算法可实现的最紧竞争比是多少？
• RQ4 通过使用最优算法组合器而非临时方法，能否进一步改进竞争比中的常数因子？
• RQ5 即使 η/(k·OPT) 有界，是否仍需随机化才能实现对 η/(k·OPT) 的对数依赖？

主要发现

• 所提算法实现了 O(1 + min(η/(k·OPT), log k)) 的竞争比，优于 LNonMarker 的 O(1 + min(log k / k · η/OPT, log k)) 界。
• 将 BlindOracle 与 LRU 结合，可得到一种在所有确定性算法中对本问题最优的确定性算法。
• 任何确定性算法的竞争比下界至少为 1 + Ω(min(η/(k·OPT), k))，证明对 η/(k·OPT) 的线性依赖是必要的。
• 通过使用 Fiat 等人（1991）和 Blum 与 Burch（2000）提出的最优算法组合器，竞争比中的常数因子得到改进。
• 即使 η/(k·OPT) 有界，对 η/(k·OPT) 的对数依赖也只能通过随机化实现，这一结果出人意料且反直觉。
• 该方法不仅在理论上更优，且相比基于随机标记的先前方法，实现上也显著简化。