Core Concepts
予測を使った「ウォームスタート」アルゴリズムを使って、より強力な基準と競争することができる。
Abstract
本論文では、予測を使った「ウォームスタート」アルゴリズムを使って、より強力な基準と競争する方法を提案している。
まず、分布Dから得られるインスタンス-解ソリューションのペアに対して、k個の固定予測を使って競争する方法を示した。簡単な戦略により、最適オフラインコストに対して O(k)の近似保証を得ることができる。
次に、インスタンス空間Iの k-wise分割hを使って、より良い性能を得る方法を示した。hを適切に学習することで、最適オフラインコストに対して定数倍の近似保証を得ることができる。この際、hを学習するためのロス関数を定義し、ERM オラクルを使って学習する手法を提案した。
最後に、オンラインの設定を考え、k個の移動予測列(トラジェクトリ)に対して競争する問題を定式化した。この問題に対して、O(k4 log2 k)の競争比を持つ決定性的なアルゴリズムを提案した。このアルゴリズムは、kの値に依存せず、適応的な敵対者に対しても堅牢である。
Stats
提案アルゴリズムの実行時間は、最適オフラインコストのO(k)倍以下である。
提案アルゴリズムの実行時間は、最適オフラインコストのO(1)倍以下である。
提案オンラインアルゴリズムの実行時間は、任意のk個の移動予測列に対して、O(k4 log2 k)倍以下である。
Quotes
「予測を使った「ウォームスタート」アルゴリズムは、多くの性質を持っており、それらを活用することで、単一の固定予測に対して大幅に良い性能を達成できる可能性がある。」
「オンラインの設定では、k個の移動予測列に対して競争することは驚くべきことである。従来のアプローチでは、オンライン凸最適化に帰着させていたが、k個の予測列に対して消失レジェットを得ることは不可能である。」
「提案アルゴリズムは決定論的であり、適応的な敵対者に対しても堅牢である。さらに、kの値に依存せず、任意のkに対して保証が成り立つ。」