[论文解读] Secretary and Online Matching Problems with Machine Learned Advice

Antonios Antoniadis, Themis Gouleakis+2 more|arXiv (Cornell University)|Jun 1, 2020

Optimization and Search Problems被引用 8

一句话总结

本文提出了一种新颖的框架，用于增强经典在线选择算法——特别是秘书问题、在线二分图匹配以及图拟阵秘书问题——通过整合对未来输入的机器学习预测。该框架提出的算法在预测准确时可实现更优的竞争比，同时在预测误差增加时仍能保持渐进退化的最坏情况性能保证，从而建立准确度与鲁棒性之间的权衡。

ABSTRACT

The classical analysis of online algorithms, due to its worst-case nature, can be quite pessimistic when the input instance at hand is far from worst-case. Often this is not an issue with machine learning approaches, which shine in exploiting patterns in past inputs in order to predict the future. However, such predictions, although usually accurate, can be arbitrarily poor. Inspired by a recent line of work, we augment three well-known online settings with machine learned predictions about the future, and develop algorithms that take them into account. In particular, we study the following online selection problems: (i) the classical secretary problem, (ii) online bipartite matching and (iii) the graphic matroid secretary problem. Our algorithms still come with a worst-case performance guarantee in the case that predictions are subpar while obtaining an improved competitive ratio (over the best-known classical online algorithm for each problem) when the predictions are sufficiently accurate. For each algorithm, we establish a trade-off between the competitive ratios obtained in the two respective cases.

研究动机与目标

• 解决经典在线算法的局限性，这些算法依赖最坏情况分析，可能对非最坏情况输入过于悲观。
• 在不牺牲最坏情况性能保证的前提下，将机器学习预测整合到在线选择问题中。
• 设计能够动态平衡对预测的信任与对不准确预测的鲁棒性的算法。
• 形式化准确预测下的竞争比与高预测误差下性能之间的权衡。

提出的方法

• 通过引入预测值 $ p^* $ 来增强经典在线算法，并将预测误差 $ \eta = |p^* - v^*| $ 作为关键参数。
• 设计三阶段算法结构：(1) 观察初始到达以校准阈值，(2) 应用基于预测的决策规则，(3) 若预测失败则回退到经典策略。
• 在二分图和拟阵场景中使用代理边机制，以确保即使预测略有偏差，也能覆盖高价值边。
• 基于预测值 $ p_v^* $ 定义阈值 $ t_v $，仅当边超过这些阈值时才进行匹配，从而在最坏情况场景下与经典算法保持一致。
• 通过到达顺序的概率分析建立竞争比边界，利用均匀随机性和代理边对边权重的覆盖能力。
• 证明竞争比随预测误差 $ \eta $ 的增加而渐进退化，同时保持常数因子的最坏情况保证。

实验结果

研究问题

• RQ1 机器学习预测能否在不牺牲最坏情况性能的前提下，改善经典在线选择算法的竞争比？
• RQ2 在预测准确时性能提升与预测不佳时性能退化之间的权衡是什么？
• RQ3 如何将预测误差 $ \eta $ 正式整合到在线算法中以确保鲁棒性？
• RQ4 该框架能否推广至不同类型的在线选择问题，如秘书问题、二分图匹配和拟阵问题？
• RQ5 是否可能在预测准确时保持常数竞争比，同时在最坏情况下仍实现 $ O(1) $-竞争性能？

主要发现

• 当预测准确时，所提出的算法竞争比严格优于 $ 1/e $，优于经典秘书算法。
• 在最坏情况下，当预测任意差时，算法仍保持至少 $ (d-1)/c^2 $ 的竞争比，该值远离零。
• 对于在线二分图匹配，竞争比下界为 $ \frac{1}{2}\left(\frac{1}{d} - \frac{1}{c}\right) \left(1 - \frac{2(\lambda + \eta)|V|}{\text{OPT}}\right) $，显示出对预测误差 $ \eta $ 和松弛参数的依赖。
• 该框架确保每个未匹配的高价值边在第二阶段均由代理边覆盖，从而支持基于权重的性能保证。
• 分析证明，不同顶点的代理边互不相同，从而避免重复计数，并支持对期望性能的紧致边界。
• 结果表明，引入预测可实现可证明的性能提升，同时保持理论鲁棒性。