核心概念
온라인 계산 문제에서 신뢰할 수 없는 조언의 영향을 정량화하고, 조언이 악의적일 때도 강건하고 조언이 완벽할 때 효율적인 온라인 알고리즘을 설계 및 분석한다.
要約
이 논문은 온라인 계산 문제에서 신뢰할 수 없는 조언의 영향을 연구한다. 기존 온라인 계산 모델에서는 조언이 항상 완벽하다고 가정하지만, 현실에서는 조언이 잘못될 수 있다. 이 논문에서는 온라인 알고리즘의 성능을 신뢰할 수 있는 조언 상황과 신뢰할 수 없는 조언 상황으로 구분하여 분석한다.
구체적으로 다음과 같은 내용을 다룬다:
- 스키 대여 문제와 온라인 입찰 문제에 대해 Pareto-optimal한 알고리즘을 제시한다.
- 빈 포장 문제와 리스트 업데이트 문제에 대해 조언을 신뢰하는 정도에 따라 성능을 조절할 수 있는 알고리즘을 제안한다.
- 조언 크기와 알고리즘의 경쟁력 사이의 trade-off에 대한 상한과 하한을 증명한다.
- 랜덤화된 알고리즘의 성능을 분석하고, 기존 조언 모델과의 차이점을 보여준다.
이 연구는 온라인 계산에서 신뢰할 수 없는 조언의 영향을 체계적으로 분석하고, 이를 바탕으로 강건하고 효율적인 온라인 알고리즘을 설계하는 데 기여한다.
統計
스키 대여 문제에서 알고리즘 Ak의 신뢰할 수 있는 경쟁률은 1 + (k-1)/B이고, 신뢰할 수 없는 경쟁률은 1 + (B-1)/k이다.
온라인 입찰 문제에서 k비트 조언을 사용하는 알고리즘의 신뢰할 수 있는 경쟁률 r은 다음과 같다:
r ≥ 2 + 1/(3*2^k)
引用
"Advice bits, as all information, are prone to transmission errors. In addition, the known advice models often allow information that one may arguably consider unrealistic, e.g., an encoding of some part of the offline optimal solution. Last, and perhaps more significantly, a malicious entity that takes control of the advice oracle can have a catastrophic impact."
"Motivated by these definitions from machine learning, in this work we analyze online algorithms based on their performance in both settings of trusted and untrusted advice."