具有不可靠指导的在线算法
人工智能
2026-05-19 v2 数据结构与算法
摘要
本文介绍了具有不可靠指导的在线算法（OAG），这是一个用于机器学习增强的在线决策的模型，它清晰地将预测组件和算法组件分离开来，从而提供了一个单一的、定义良好的分析框架，该框架仅取决于所面临的问题。通过请求-答案博弈的视角进行表述，OAG模型引入了多个概念（来自答案空间的预测、指导、随时竞争力），这使得学习增强算法能够独立于预测器特定的选择（例如预测语义、误差函数或探测策略）进行分析，否则这些选择会限制算法的通用性和适用性。OAG模型的清晰框架允许构建第一个通用编译器，即丢弃或盲目信任（DTB）编译器，它可以将几乎任何标准的、无预测的在线算法转变为学习增强算法。尽管简单，我们证明了DTB编译器为三个经典的在线问题生成了具有强一致性-鲁棒性保证的新学习增强算法：我们在具有对抗性到达顺序的二分图匹配中实现了新的权衡，并为缓存和均匀度量任务系统获得了最优解。
引用
@article{arxiv.2602.20706,
title = {Online Algorithms with Unreliable Guidance},
author = {Julien Dallot and Yuval Emek and Yuval Gil and Maciej Pacut and Stefan Schmid},
journal= {arXiv preprint arXiv:2602.20706},
year = {2026}
}