[论文解读] Online Algorithms with Randomly Infused Advice

Yuval Emek, Yuval Gil+2 more|arXiv (Cornell University)|Jan 1, 2023

Optimization and Search Problems被引用 1

一句话总结

本文提出随机注入建议（RIA）方法，通过将来自不可靠预言机的建议注入算法的随机位缓冲区，超越最坏情况竞争分析，以评估随机在线算法。注入概率 α 控制建议的可靠性，从而实现更紧致的竞争比界限——例如，在页面置换问题中，竞争比从 Hk 改进为 min{Hk, 1/α}，并在三个核心在线问题中建立了上下界。

ABSTRACT

We introduce a novel method for the rigorous quantitative evaluation of online algorithms that relaxes the "radical worst-case" perspective of classic competitive analysis. In contrast to prior work, our method, referred to as randomly infused advice (RIA), does not make any assumptions about the input sequence and does not rely on the development of designated online algorithms. Rather, it can be applied to existing online randomized algorithms, introducing a means to evaluate their performance in scenarios that lie outside the radical worst-case regime. More concretely, an online algorithm ALG with RIA benefits from pieces of advice generated by an omniscient but not entirely reliable oracle. The crux of the new method is that the advice is provided to ALG by writing it into the buffer ℬ from which ALG normally reads its random bits, hence allowing us to augment it through a very simple and non-intrusive interface. The (un)reliability of the oracle is captured via a parameter 0 ≤ α ≤ 1 that determines the probability (per round) that the advice is successfully infused by the oracle; if the advice is not infused, which occurs with probability 1 - α, then the buffer ℬ contains fresh random bits (as in the classic online setting). The applicability of the new RIA method is demonstrated by applying it to three extensively studied online problems: paging, uniform metrical task systems, and online set cover. For these problems, we establish new upper bounds on the competitive ratio of classic online algorithms that improve as the infusion parameter α increases. These are complemented with (often tight) lower bounds on the competitive ratio of online algorithms with RIA for the three problems.

研究动机与目标

• 开发一种通用且非侵入性的方法，用于在传统最坏情况竞争分析之外评估现有随机在线算法。
• 通过将建议以概率方式注入其随机位流，而非依赖输入假设，来建模在线算法中的“好运”现象。
• 利用参数化的建议可靠性模型，在现实、非对抗性条件下，为经典在线算法提供严格且可量化的性能边界。
• 在三个基础在线问题（页面置换、均匀度量任务系统和在线集合覆盖）上展示该方法的适用性与紧致性。

提出的方法

• 引入一种非侵入式接口：全知但不可靠的预言机以每轮概率 α 将建议注入算法的随机位缓冲区。
• 通过注入参数 α ∈ [0,1] 建模建议可靠性，其中 α = 0 恢复经典在线模型，α = 1 提供完美建议。
• 将缓冲区作为共享信道：若未注入建议（概率为 1−α），则使用新的随机位，从而保留原始算法的随机性。
• 应用 Yao 的最小最大原理，推导在 RIA 模型下对随机、对随机性无感知算法的竞争比下界。
• 通过以 α 表示的上下界分析三种问题——页面置换、均匀度量任务系统和在线集合覆盖的性能。
• 聚焦于对随机性无感知的算法，即不存储或使用过往建议的算法，确保该模型与标准算法设计兼容。

实验结果

研究问题

• RQ1 如何在不假设输入结构或修改算法的前提下，评估现有随机在线算法在最坏情况之外的性能？
• RQ2 概率性注入建议对经典在线算法的竞争比有何影响？
• RQ3 RIA 模型能否为页面置换和集合覆盖等基础在线问题提供紧致且可分析证明的边界？
• RQ4 建议可靠性（以参数 α 参数化）如何影响懒惰、对随机性无感知的在线算法的性能？
• RQ5 在竞争比提升方面，建议注入的根本限制是什么？

主要发现

• 对于在线页面置换，任何懒惰、对随机性无感知的 RIA 算法的竞争比至少为 min{Hk, 1/α}，且该界渐近紧致。
• 在 RIA 模型下，Mark 算法的竞争比上界从 Hk 改进为 min{Hk, 1/α}，随着 α 增大而提升性能，表明可靠建议可带来性能增益。
• 对于均匀度量任务系统，本文建立了 RIA 模型下竞争比上界为 O(1/α)，且随 α 提高而改善。
• 在在线集合覆盖中，RIA 下的竞争比上界为 O(log n / α)，表明建议注入可降低对输入规模的依赖。
• RIA 模型下页面置换的下界表明，任何随机、对随机性无感知的懒惰算法都无法实现优于 min{Hk, 1/α} 的竞争比，从而证明了该边界的紧致性。
• 该方法具有通用性，适用于任何随机、对随机性无感知的在线算法，实现性能评估而无需重新设计算法。