ترجمه فارسی مقاله غلبه بر شکنندگی در الگوریتم‌های یادگیری-تقویت‌شده با بهینه پارتو

چکیده

The study of online algorithms with machine-learned predictions has gained considerable prominence in recent years. One of the common objectives in the design and analysis of such algorithms is to attain (Pareto) optimal tradeoffs between the consistency of the algorithm, i.e., its performance assuming perfect predictions, and its robustness, i.e., the performance of the algorithm under adversarial predictions. In this work, we demonstrate that this optimization criterion can be extremely brittle, in that the performance of Pareto-optimal algorithms may degrade dramatically even in the presence of imperceptive prediction error. To remedy this drawback, we propose a new framework in which the smoothness in the performance of the algorithm is enforced by means of a user-specified profile. This allows us to regulate the performance of the algorithm as a function of the prediction error, while simultaneously maintaining the analytical notion of consistency/robustness tradeoffs, adapted to the profile setting. We apply this new approach to a well-studied online problem, namely the one-way trading problem. For this problem, we further address another limitation of the state-of-the-art Pareto-optimal algorithms, namely the fact that they are tailored to worst-case, and extremely pessimistic inputs. We propose a new Pareto-optimal algorithm that leverages any deviation from the worst-case input to its benefit, and introduce a new metric that allows us to compare any two Pareto-optimal algorithms via a dominance relation.

چکیده به فارسی (ترجمه ماشینی)

مطالعه الگوریتم های آنلاین با پیش بینی های یادگیری ماشین در سالهای اخیر برجستگی قابل توجهی داشته است.یکی از اهداف متداول در طراحی و تجزیه و تحلیل چنین الگوریتم ها ، دستیابی به (پارتو) مبادلات بهینه بین قوام الگوریتم ، یعنی عملکرد آن با فرض پیش بینی های کامل و استحکام آن ، یعنی عملکرد الگوریتم تحت پیش بینی های مخالفبشردر این کار ، ما نشان می دهیم که این معیار بهینه سازی می تواند بسیار شکننده باشد ، به این ترتیب که عملکرد الگوریتم های پارتو بهینه ممکن است حتی در حضور خطای پیش بینی بی نظیر ، به طرز چشمگیری تخریب شود.برای اصلاح این اشکال ، ما یک چارچوب جدید را پیشنهاد می کنیم که در آن صافی در عملکرد الگوریتم با استفاده از یک پروفایل مشخص شده توسط کاربر اجرا شود.این به ما اجازه می دهد تا عملکرد الگوریتم را به عنوان تابعی از خطای پیش بینی تنظیم کنیم ، در حالی که همزمان مفهوم تحلیلی از تجارت سازگاری/استحکام را حفظ می کنیم ، با تنظیم پروفایل سازگار می شویم.ما این رویکرد جدید را برای یک مشکل آنلاین خوب مورد مطالعه ، یعنی مشکل تجارت یک طرفه اعمال می کنیم.برای این مشکل ، ما بیشتر به محدودیت دیگری از الگوریتم های بهینه-بهینه-بهینه اشاره می کنیم ، یعنی این واقعیت که آنها متناسب با ورودی های بدترین حالت و بسیار بدبین هستند.ما یک الگوریتم جدید بهینه پارتو را پیشنهاد می کنیم که از هرگونه انحراف از بدترین حالت به نفع آن استفاده می کند و یک متریک جدید را معرفی می کند که به ما امکان می دهد هر دو الگوریتم بهینه پارتو را از طریق یک رابطه تسلط مقایسه کنیم.