관련 없는 기계(unrelated-machines)에서의 작업 완료 시간(makespan) 최소화 문제를 해결하기 위해 무거운 작업 할당에 대한 예측을 활용하는 학습 강화 알고리즘을 제안한다. 이 방법은 정확한 예측 시 다항 시간 $(1+\varepsilon)$-근사를 달성하며, 예측 오류가 증가함에 따라 최악의 경우 2-근사로 부드럽게 저하된다.
본 논문에서는 미래 요청 시퀀스에 대한 부정확할 수 있는 예측이 주어지는 이력 의존적(history-dependent) 온라인 문제를 연구합니다. 여러 실제 응용 분야에서 착안하여, 과거의 결정과 요청이 미래의 최적값에 제한된 양만큼만 영향을 미치는 유계 영향(bounded-influence) 프레임워크를 도입합니다. 이 프레임워크 내에서 적절한 오프라인 오라클(offline oracle)과 온라인 오라클 간을 적응적으로 전환하는 메타 알고리즘인 AdaSwitch를 개발합니다. AdaSwitch는 예측 오차가 감소하거나 오프라인 최적값이 증가할수록 강화되는 기대 성능에 대한 명시적인 보장을 제공합니다. 완벽한 예측이 주어질 경우, 오프라인 최적값이 커짐에 따라 AdaSwitch의 보장 성능은 오프라인 오라클의 보장 성능에 근접합니다. 또한 임의의 예측 상황에서도 온라인 오라클에 준하는 최악의 경우 보장 성능을 유지합니다. 온라인 리드 타임 견적, $k$-서버 및 캐싱, 온라인 재사용 가능 자원 할당에 대한 적용을 통해, 본 프레임워크가 보상(reward) 극대화 및 비용 최소화 모두에 폭넓게 적용 가능함을 입증합니다.
기계학습 예측은 오프라인 NP-hard 최적화를 가속할 수 있지만, 예측기에게 무엇을 해야 할지 묻는 것은 문제를 푸는 것과 같으며, 검증되지 않은 예측을 확정하면 모든 최악의 경우 보장을 포기한다. CASP(Certificate-Augmented Solution Pruning)는 대신 탐색 공간의 어느 부분을 무시할 수 있는지 묻고, 각 답변은 건전한 다항 시간 검증기가 확인한 후에만 수용하므로 정확성은 예측 품질에 의존하지 않는다. 우리는 이 설계의 학습 이론을 개발한다. 검증기는 유도된 손실 클래스를 균일하게 유계로 만들므로, 증명서 매개변수는 $\tilde O(\varepsilon^{-2}\log K)$개의 샘플($K$는 최대 인스턴스 크기)로부터 학습 가능하다. 반면 검증되지 않은 확정 클래스는 분포 무관 수렴률을 허용하지 않으며, 비용 확산 $R$ 하에서는 $Ω(R/\varepsilon^2)$ 미만의 수렴률도 없다. 검증 가능한 신뢰도로 노이즈 예측을 필터링하는 방식은 닫힌 형식으로 계산한 마진을 갖고 표준 min-combiner보다 우수하며, LP가 주어져도 예측은 여전히 유용하다. 이는 퇴화 최적 면에서 동점을 깨기 때문인데, 여기서 확정이 인스턴스에 대해 검증 가능한 신뢰도 값을 통해서만 의존하는 모든 대칭 LP 정책은 증명 가능하게 정체된다. 5개 문제에 대한 실험은 이론의 정량적 예측을 검증한다. 학습된 예측기를 사용하면, 검증되지 않은 가지치기는 분포 이동 하에서 최적값의 최대 26%를 잃지만, 동일한 예측의 검증된 배포는 아무것도 잃지 않는다.
학습 강화 알고리즘 분야는 기계 학습 예측이 다양한 문제 영역에서 최악의 경우 하한을 우회할 수 있음을 입증해 왔습니다. 그러나 지금까지 초점은 거의 독점적으로 다항 시간 알고리즘에 맞춰져 있었으며, 여기서 예측은 경쟁비, 근사 보장, 또는 실행 시간을 개선했습니다. 본 논문에서 우리는 예측이 NP-hard 문제에 대한 정확한 지수 시간 알고리즘의 경계를 확장할 수 있는지라는 질문을 제기합니다. 우리는 다양한 부분집합 선택 문제에 대한 최신 정확 알고리즘 계열 전체를 증강하는 일반적인 접근 방식을 제안함으로써 이 질문에 긍정적으로 답합니다. 우리는 무작위 추측보다 약간만 더 나은 노이즈 예측기(noisy predictor)도 검색 공간을 확실히 줄이기에 충분하다는 것을 보여주며, 그 결과로 얻어지는 실행 시간 단축은 예측 품질에 따라 부드럽게 스케일링됨을 보여줍니다. 중요하게도, 우리의 알고리즘은 예측의 쌍독립성(pairwise independence)만을 요구하거나, 대안으로 예측기의 정확도에 대한 지식을 요구하지 않는데, 이는 일반적으로 가정되는 설정보다 엄격하게 더 약하고 현실적인 설정입니다.