面向带切换成本的在线优化的专家校准学习
机器学习
2022-04-25 v2 最优化与控制
摘要
我们研究带切换成本的在线凸优化，由于缺乏完整的离线信息，这是一个实际重要但极具挑战性的问题。通过利用基于机器学习（ML）的优化器，ML增强的在线算法（本文亦称为专家校准）已成为最先进的方法，具有可证明的最坏情况性能保证。然而，采用将ML模型作为独立优化器训练并插入ML增强算法的标准做法，其平均代价性能可能极不理想。为解决“如何学习”的挑战，我们提出 EC-L2O（专家校准学习优化），其通过显式考虑下游专家校准器来训练基于ML的优化器。为此，我们提出一种新的可微专家校准器，它推广了正则化在线平衡下降，并在预测误差较大时提供比纯ML预测更优的可证明竞争比。在训练方面，我们的损失函数是两种不同损失的加权和——一种最小化平均ML预测误差以提升鲁棒性，另一种最小化校准后平均代价。我们还对 EC-L2O 提供理论分析，强调专家校准甚至有益于平均代价性能，且 EC-L2O 所实现代价与离线最优预言机代价的高百分位尾部比（即尾部代价比）可被界定。最后，我们通过可持续数据中心需求响应的仿真测试 EC-L2O。结果表明，EC-L2O 在经验上可比现有基线算法实现更低的平均代价与更低的竞争比。
引用
@article{arxiv.2204.08572,
title = {Expert-Calibrated Learning for Online Optimization with Switching Costs},
author = {Pengfei Li and Jianyi Yang and Shaolei Ren},
journal= {arXiv preprint arXiv:2204.08572},
year = {2022}
}
备注
Pengfei Li and Jianyi Yang contributed equally. This paper has been accepted by and will be presented at the ACM SIGMETRICS/IFIP Performance 2022