更优且更简单的学习增强型在线缓存
数据结构与算法
2020-05-29 v1
摘要
Lykouris 和 Vassilvitskii (ICML 2018) 提出了一种带有机器学习建议的在线缓存模型，其中每次页面请求还附带该页面下一次被请求时间的预测。在该模型中，一个自然的目标是设计这样的算法：(1) 在建议准确时表现良好；(2) 在传统竞争分析意义下的最坏情况中保持鲁棒性。Lykouris 和 Vassilvitskii 通过将 Marker 算法适配到学习增强设定中给出了这样一个算法。在最近的工作中，Rohatgi (SODA 2020) 以同样受随机标记启发的方案改进了他们的结果。我们继续研究该问题，但采用略有不同的方法：我们考虑以黑盒方式将 BlindOracle 算法（该算法只是朴素地遵循预测）与在线缓存的最优竞争算法相结合。所得算法优于所有现有方法，同时显著更简单。此外，我们证明将 BlindOracle 与 LRU 结合实际上在该问题的确定性算法中最优。
引用
@article{arxiv.2005.13716,
title = {Better and Simpler Learning-Augmented Online Caching},
author = {Alexander Wei},
journal= {arXiv preprint arXiv:2005.13716},
year = {2020}
}