핵심 개념
온라인 문제를 해결하기 위해 과거 데이터로부터 학습한 예측기를 알고리즘에 통합하여 성능을 향상시킬 수 있다.
초록
이 논문은 온라인 문제를 해결하기 위해 예측기를 활용하는 새로운 접근법을 제안한다. 기존 연구에서는 예측기를 블랙박스로 사용했지만, 이 논문에서는 예측기를 알고리즘의 일부로 통합하여 문제에 특화된 학습 문제를 해결한다.
구체적으로 다음과 같은 내용을 다룬다:
- 캐싱, 부하 분산, 비예지적 스케줄링 문제에 대해 새로운 알고리즘을 제안하고 성능 분석을 수행한다.
- 각 문제에 대해 예측기의 학습 문제를 정의하고, 이를 해결하는 예측기를 설계한다.
- 예측기와 알고리즘을 모듈화하여 분리함으로써 보다 단순하고 개선된 성능의 알고리즘을 얻을 수 있음을 보인다.
- 실현 가능한 설정과 무지한 설정에 대한 성능 보장을 제공한다.
통계
캐싱 문제에서 최적 오프라인 알고리즘의 비용은 OPT(I)이다.
부하 분산 문제에서 최적 오프라인 알고리즘의 makespan은 OPT(I)이다.
비예지적 스케줄링 문제에서 최적 오프라인 알고리즘의 총 완료 시간은 OPT(I)이다.
인용구
"온라인 문제를 해결하기 위해 예측기를 활용하는 새로운 접근법을 제안한다."
"예측기를 알고리즘의 일부로 통합하여 문제에 특화된 학습 문제를 해결한다."
"예측기와 알고리즘을 모듈화하여 분리함으로써 보다 단순하고 개선된 성능의 알고리즘을 얻을 수 있음을 보인다."