[论文解读] Learning-Augmented Dynamic Power Management with Multiple States via New Ski Rental Bounds

Antonios Antoniadis, Christian Coester+3 more|arXiv (Cornell University)|Oct 25, 2021

Advanced Bandit Algorithms Research被引用 2

一句话总结

本文提出了一种适用于多睡眠状态系统的学习增强型动态电源管理（DPM）算法，利用一种具有紧密误差依赖关系的新型学习增强型滑雪租赁算法。当预测准确时，该算法可实现接近最优的性能；随着预测误差增加，其性能渐进式下降，同时保持了经典在线算法的最坏情况保证，且在真实世界和合成数据集的中等误差环境下优于以往方法。

ABSTRACT

We study the online problem of minimizing power consumption in systems with multiple power-saving states. During idle periods of unknown lengths, an algorithm has to choose between power-saving states of different energy consumption and wake-up costs. We develop a learning-augmented online algorithm that makes decisions based on (potentially inaccurate) predicted lengths of the idle periods. The algorithm's performance is near-optimal when predictions are accurate and degrades gracefully with increasing prediction error, with a worst-case guarantee almost identical to the optimal classical online algorithm for the problem. A key ingredient in our approach is a new algorithm for the online ski rental problem in the learning augmented setting with tight dependence on the prediction error. We support our theoretical findings with experiments.

研究动机与目标

• 为解决在未知空闲时长的情况下，最小化多状态动态电源管理（DPM）系统的功耗挑战。
• 设计一种学习增强型在线算法，使其在预测误差增加时性能渐进式下降，同时保持强最坏情况性能。
• 将滑雪租赁问题扩展至学习增强型设置，并对一致性和误差依赖性提供更精细的保证。
• 通过在合成数据和智能手机的实时I/O轨迹上进行实证验证，证明所提算法在鲁棒性和优越性方面的表现。

提出的方法

• 将多状态DPM问题转化为具有多种选择的在线滑雪租赁问题，从而可应用学习增强型滑雪租赁解决方案。
• 提出一种新型学习增强型滑雪租赁算法，实现一致性能（在预测准确时的表现）与对预测误差依赖性的最优权衡。
• 引入(𝜌, 𝜇)-竞争框架，以形式化分析预测误差增加时的性能退化。
• 对随机化算法应用一种审慎变换，以提升实验鲁棒性，尤其是在预测噪声较大时。
• 采用基于乘法权重的Share算法构建预测器，用于生成真实世界预测结果以供评估。
• 使用合成数据集（PSK4、PSK8）和来自Nexus 5智能手机的真实I/O轨迹，评估不同预测质量水平下的性能表现。

实验结果

研究问题

• RQ1 当预测准确时，学习增强型DPM算法能否实现接近最优的性能，同时在高误差下仍保持强最坏情况保证？
• RQ2 随着预测误差增加，学习增强型DPM算法的性能如何退化？这种退化能否被紧密地界定？
• RQ3 相较于经典方法和以往的学习增强型方法，是否可通过显式考虑误差依赖性的精细化学习增强型滑雪租赁算法，显著提升整体DPM性能？
• RQ4 在实践中，将随机化算法转换为“审慎”版本的影响如何，尤其是在预测噪声大或不准确时？
• RQ5 与合成基准和经典在线算法相比，该算法在真实世界I/O轨迹上的表现如何？

主要发现

• 在预测完美时，所提算法的竞争力比接近 𝑒/(𝑒−1) ≈ 1.58，与经典在线算法的最坏情况保证一致。
• 当预测准确（𝜌 = 1）时，该算法性能与FTP算法相当，后者在经典设置下为最优。
• 在中等预测误差下，该算法在合成数据集和真实世界数据集上均显著优于经典在线算法和以往的学习增强型方法。
• 特别是对于随机化算法，其审慎变体在实验性能上显著优于非审慎版本，尤其在PSK8数据集上表现突出。
• 在真实世界智能手机I/O轨迹上，该算法要么全面优于其他方法，要么在预测良好时表现接近非鲁棒的FTP算法，展现出强大的实际鲁棒性。
• 该算法在预测误差增加时的性能退化在(𝜌, 𝜇)-竞争力意义上近乎最优，证实了理论保证在实际中的有效性。