[论文解读] Optimal Algorithms for Ski Rental with Soft Machine-Learned Predictions

Rohan Kodialam|arXiv (Cornell University)|Feb 28, 2019

Optimization and Search Problems参考文献 10被引用 7

一句话总结

本文提出了针对增强软机器学习预测的滑雪租赁问题的最优随机化算法——具体而言，即预测滑雪天数最多为B的概率。该文推导出一种策略，利用预测概率最小化最坏情况下的期望竞争比，并在预测错误时仍保持稳健的性能边界，预测准确时竞争比约为1.45，预测错误时仍维持理论上的上界。

ABSTRACT

We consider a variant of the classic Ski Rental online algorithm with applications to machine learning. In our variant, we allow the skier access to a black-box machine-learning algorithm that provides an estimate of the probability that there will be at most a threshold number of ski-days. We derive a class of optimal randomized algorithms to determine the strategy that minimizes the worst-case expected competitive ratio for the skier given a prediction from the machine learning algorithm,and analyze the performance and robustness of these algorithms.

研究动机与目标

• 设计适用于滑雪租赁问题的最优随机化在线算法，整合对滑雪天数最多为B的概率的软机器学习预测。
• 最小化相对于全知离线算法的最坏情况期望竞争比。
• 在预测不准确时提供理论性能保证，包括鲁棒性边界。
• 形式化一个将概率性机器学习输出整合到经典在线优化与竞争分析中的框架。

提出的方法

• 将滑雪租赁问题形式化为连续时间决策问题，购买成本为B，每天租赁成本为1。
• 引入一种由累积分布函数p(x)定义的滑雪者概率策略，该策略决定购买时机，其参数为预测概率α̂。
• 利用预测的α̂推导出最小化最坏情况期望竞争比的最优阈值z*。
• 使用对抗性y-分布q(y)进行竞争比分析，以计算最坏情况性能边界。
• 建立性能边界Δ(α̂)，量化由于预测误差导致的竞争比最大退化程度。
• 使用Lambert W函数解析计算给定α̂值下的理论竞争比。

实验结果

研究问题

• RQ1 当获得滑雪天数最多为B的概率的软预测时，滑雪租赁问题的最优随机化策略是什么？
• RQ2 该算法的竞争比如何依赖于预测概率α̂的准确性？
• RQ3 当预测概率α̂不正确时，性能的最坏情况退化程度是多少？
• RQ4 即使在预测误差较大时，算法是否仍能维持强性能保证？
• RQ5 当预测错误时，竞争比的理论上限是多少？它与预测误差有何关系？

主要发现

• 当预测正确（α̂ = 0.15）时，算法的平均竞争比为1.446，与理论值约1.45非常接近。
• 在无任何预测的情况下，最优策略的竞争比为1.584，接近经典值e/(e−1) ≈ 1.582，确认了基线性能。
• 当提供错误预测（α̂ = 0.60）时，竞争比上升至1.749，远低于理论上的1.95上界。
• 当α̂ = (e−2)/(e−1) ≈ 0.264时，竞争比保持稳定，因为Δ(α̂) = 0，表明无信息增益，因此误差不会导致性能退化。
• 由于预测误差导致的性能退化由Δ(α̂)界定，该值在α̂ = 0.264时为零，并随与该值的偏离而增加。
• 该框架使滑雪者仅通过预测α̂及其误差ε即可计算最佳情况和最坏情况下的期望竞争比。