AdaSwitch：面向学习增强型有界影响问题的自适应切换元算法
机器学习
2025-09-03 v1 最优化与控制
摘要
我们研究了一类基于序列预测的多期在线决策问题，这些预测可能由机器学习模型生成，但其准确性无法得到保证。在每个周期中，决策者观察到实现的请求，必须采取不可撤销的行动，以产生奖励或产生成本，而无需提前了解未来的到达情况。我们引入了一个有界影响框架，在该框架中，过去的决策和请求仅对未来最优奖励产生有限的影响。在此框架内，我们提出了 AdaSwitch 元算法，该算法在预测准确时可实现接近离线基准的性能，同时在高度不准确的预测下保持经典的 competitive-ratio 保证。我们的框架和元算法适用于多种设置，包括加工系统中的 lead-time 报价、k-server 问题以及可重复资源的在线分配。这些应用说明了我们方法在学习增强型在线决策中的灵活性和广泛适用性。
引用
@article{arxiv.2509.02302,
title = {AdaSwitch: An Adaptive Switching Meta-Algorithm for Learning-Augmented Bounded-Influence Problems},
author = {Xi Chen and Yuze Chen and Yuan Zhou},
journal= {arXiv preprint arXiv:2509.02302},
year = {2025}
}
备注
62 pages, 7 figures