学习增强型在线背包问题中的近最优一致性-鲁棒性权衡
机器学习
2025-07-10 v2 计算机科学与博弈论
摘要
本文引入了一系列学习增强型在线背包问题算法，通过简单地结合可信赖的学习增强型算法和最坏情况算法，实现近Pareto最优的一致性-鲁棒性权衡。我们的做法依赖于简洁、实用的预测——即估计任何物品在离线解中的最小值的单个值或区间。此外，我们提出了一种新的分数形式到整数转换程序，为在线算法设计提供了新的见解。
引用
@article{arxiv.2406.18752,
title = {Near-Optimal Consistency-Robustness Trade-Offs for Learning-Augmented Online Knapsack Problems},
author = {Mohammadreza Daneshvaramoli and Helia Karisani and Adam Lechowicz and Bo Sun and Cameron Musco and Mohammad Hajiesmaili},
journal= {arXiv preprint arXiv:2406.18752},
year = {2025}
}
备注
31 pages, 16 figures, Accepted at ICML 2025