PyTorchKR Papers

최신 논문

총 3편
태그·기간 등 상세 필터

카테고리 탐색

로그인 후 이 태그 구독

arXiv:2610.13571v1cs.LG

TCP 확인응답을 위한 동시 경쟁비 및 리그렛 보장

Simultaneous Competitive and Regret Guarantees for TCP Acknowledgment

본 연구는 TCP 확인응답(acknowledgment)에 대한 동시 경쟁비(competitive ratio) 및 리그렛(regret) 보장을 다룬다. 각 확인응답은 대기 중인 모든 패킷을 처리하며, 목표는 총 확인응답 비용과 대기 비용의 합을 최소화하는 것이다. 결정론적(deterministic) 온라인 알고리즘으로는 경쟁비 $2$보다 더 나은 성능을 달성할 수 없다는 것이 잘 알려져 있다. $k$개의 무작위화된(randomized) 온라인 전문가(expert)와 $0<\varepsilon<1$가 주어졌을 때, 우리는 실현된 총 비용이 오프라인 최적 비용 $\mathrm{OPT}$의 $(2+\varepsilon)$배를 항상 넘지 않으며, 실현 비용이 가장 작은 전문가에 대한 기대 리그렛이 $O(\sqrt{\mathrm{OPT}\log(k+1)}+\log(1/\varepsilon))$인 무작위화된 온라인 알고리즘을 구성한다. 이 알고리즘은 패킷 수나 $\mathrm{OPT}$에 대한 사전 지식을 요구하지 않는다. 우리의 알고리즘은 전문가 간 전환 비용(switching cost)을 제어하며, 허용된 경쟁비 한계와 현재 비용 사이의 격차를 이용하여 언제 학습할지를 결정한다. 또한 우리는 $k\ge 2$일 때 이 리그렛 한계가 $\mathrm{OPT}$, $k$, $\varepsilon$에 대해 점근적으로(asymptotically) 최적임을, 그리고 하위선형(sublinear) 리그렛을 위해서는 $\varepsilon>0$이 필요함을 보이는 하한(lower bound)을 증명한다.

arXiv:2509.02302v2cs.LG

AdaSwitch: 학습 기반 유계 영향 문제를 위한 적응형 전환 메타 알고리즘

AdaSwitch: An Adaptive Switching Meta-Algorithm for Learning-Augmented Bounded-Influence Problems

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.

arXiv:2607.02150v1cs.DS

Tight Lower Bounds for the Multi-Secretary Problem via Bellman Certificates

멀티-시크리터리 문제(multi-secretary problem)에서 분포의 지지 구간(support)에 공백이 있을 때 온라인 정책의 최적 후회(regret)가 $O((\log T)^2)$임을 Bellman 인증서(Bellman certificate) 기법을 통해 하한 측면에서 tight하게 증명하였다. 두 개의 분리된 균등 분포 혼합 사례에서 $\Omega((\log T)^2)$ 하한을 확립하여, 기존 상한 경계가 더 이상 개선될 수 없음을 보임으로써 네트워크 수익 관리(network revenue management) 모델에도 직접 적용 가능한 결론을 제시한다.