基于最优价与查询预测在线搜索
数据结构与算法
2021-12-06 v1 人工智能
机器学习
摘要
在在线(时间序列)搜索问题中,玩家面对以在线方式揭示的一系列价格。在该问题的标准定义中,对于每个揭示的价格,玩家必须不可撤销地决定接受或拒绝它,而不知道未来价格(除了其极值的上界和下界),目标是最小化竞争比,即序列中最高价格与玩家所选价格之间的最坏情况比率。该问题形式化了在面对揭示样本不确定性时决策的若干应用。此前关于该问题的工作大多假设极端场景:玩家几乎对输入无信息,或玩家获得某种强大且无错误的建议。在这项工作中,我们研究学习增强算法,其中存在关于输入的潜在错误预测。具体而言,我们考虑两种不同设置:预测与序列中最高价格相关的设置,以及预测作为对若干二元查询的响应而获得的设置。对两种设置,我们均给出了搜索算法最坏情况性能关于预测误差的紧或近紧上下界。我们还提供了来自股票交易所市场数据的实验结果,证实了理论分析,并解释了我们的技术如何适用于其他学习增强应用。
引用
@article{arxiv.2112.01592,
title = {Online Search With Best-Price and Query-Based Predictions},
author = {Spyros Angelopoulos and Shahin Kamali and Dehou Zhang},
journal= {arXiv preprint arXiv:2112.01592},
year = {2021}
}
备注
22 pages, 5 figures