在线图探索方法的鲁棒化
机器学习
2021-12-13 v1 数据结构与算法
摘要
探索未知环境是许多领域（如机器人导航、网络安全和互联网搜索）中的一项基本任务。我们通过在经典的、极其困难的在线图探索问题中加入对机器学习预测的使用，开启了其学习增强变体的研究。我们提出了一种算法，将预测自然地整合到著名的近邻（NN）算法中，并在预测高精度时显著优于任何已知的在线算法，同时在预测质量较差时保持良好的保证。我们提供了随预测误差优雅退化的理论最坏情况界，并通过计算实验补充验证了我们的结果。此外，我们将该概念扩展为一个用于算法鲁棒化的通用框架。通过在给定算法与NN之间仔细插值，我们证明了新的性能界，这些界利用了在特定输入上的个体良好表现，同时建立了对任意输入的鲁棒性。
引用
@article{arxiv.2112.05422,
title = {Robustification of Online Graph Exploration Methods},
author = {Franziska Eberle and Alexander Lindermayr and Nicole Megow and Lukas Nölke and Jens Schlöter},
journal= {arXiv preprint arXiv:2112.05422},
year = {2021}
}
备注
Accepted at AAAI 2022