使用减少预测数量的缓存与MTS算法
机器学习
2024-04-11 v2 数据结构与算法
摘要
机器学习增强算法利用预测来实现超越最坏情况边界的性能。生成这些预测可能是一项昂贵的操作——这促使Im等人（2022）引入了节约使用预测的算法研究。我们为缓存和带有动作预测的MTS（由Antoniadis等人（2020）提出）设计了节约型算法，重点关注一致性（完美预测下的性能）和平滑性（性能对预测误差的依赖程度）这两个参数。我们的缓存算法具有1一致性和鲁棒性，其平滑性随着可用预测数量的减少而恶化。我们提出了一种适用于一般MTS的算法，其一致性和平滑性均随可用预测数量的减少而线性缩放。在没有可用预测数量限制的情况下，两种算法均匹配了Antoniadis等人（2020）先前实现的保证。
引用
@article{arxiv.2404.06280,
title = {Algorithms for Caching and MTS with reduced number of predictions},
author = {Karim Abdel Sadek and Marek Elias},
journal= {arXiv preprint arXiv:2404.06280},
year = {2024}
}