具有不确定性量化预测的在线算法
机器学习
2024-06-05 v2 数据结构与算法
摘要
新兴的带预测算法研究领域探讨利用可能不完美的机器学习预测来提升在线算法性能的问题。尽管该框架下几乎所有现有算法都对预测质量不作假设，但近年来已开发出若干对机器学习模型提供不确定性量化（UQ）的方法，这能在决策时提供关于预测质量的额外信息。本文研究在在线算法设计中最优利用不确定性量化预测的问题。具体而言，我们研究两个经典在线问题——滑雪租赁与在线搜索，其中决策者获得带有 UQ 的预测，该 UQ 描述了真实值落于特定数值范围内的可能性。我们证明，为充分利用 UQ 预测，需要对算法设计进行非平凡修改。此外，我们考虑如何利用更一般的 UQ 形式，提出一种在线学习框架，该框架学会利用 UQ 在多实例设定中做出决策。
引用
@article{arxiv.2310.11558,
title = {Online Algorithms with Uncertainty-Quantified Predictions},
author = {Bo Sun and Jerry Huang and Nicolas Christianson and Mohammad Hajiesmaili and Adam Wierman and Raouf Boutaba},
journal= {arXiv preprint arXiv:2310.11558},
year = {2024}
}