通过考虑预测作业大小的调度近期研究工作，在排队系统中探究了预测成本对调度系统的影响，提出了一种针对预测成本的新型方法 SkipPredict，通过分类作业的预测需求来进行预测，分别在短作业和长作业上进行预测，并分析了考虑成本的预测对两种模型的影响。

Feb, 2024

基于预测模型的最优调度决策在服务系统中的关键是理解预测误差对其他作业的延迟产生的外部性对拥塞的影响。我们在应用中考虑了预测模型与人类服务器交互的情况（例如内容审查），设计了一个基于指标的策略，以近乎最优的方式结合了预测的类别信息，通过对重负载下拥塞成本的特征化来指导预测模型的设计，并针对基于人工智能的任务划分设计了一种新颖的排队系统。我们以实际在线评论为基础，通过微调大型语言模型构建鉴别有毒性的分类器，展示了我们的框架。

Jun, 2024

在能效调度中，使用学习增强的算法框架，通过减小预测误差，实现多种能效调度问题的竞争比率改善。

Feb, 2024

探讨利用机器学习算法进行医学影像诊断的问题，并提出在线调度问题的解决方案，通过分析来自不同紧迫性病人的数据，制定出优先顺序以提高病人救治效率。

Dec, 2022

非全知调度问题的学习增强算法中具备预测但没有质量保证，通过对只有部分作业大小的预测进行研究，建立了近似最优下界和算法，并呈现了在预测数量受限情况下一种新的一致性和平滑性之间的权衡关系。

May, 2024

介绍了一种算法设计范例 —— 基于学习预测器的算法，将在线学习技术应用于预测器学习、调整鲁棒性 - 一致性折中并绑定样本复杂度，在构建优美的预测器的同时，在二分图匹配、滑雪租赁、页面迁移和作业调度等多场景中优化了多个现有结果，且提供了第一批基于学习理论的担保。

Feb, 2022

合同调度是设计具有可中断功能的实时系统的广泛研究框架。本研究引入并研究更一般和现实的学习增强设置，其中预测以概率分布形式或多个可能的中断时间集合形式给出。我们设计并分析了在预测准确时表现最佳的调度，并同时保证在预测具有敌对性时表现出最佳的最坏情况性能。我们还提供了证据，证明了在分布设置中得到的系统对于预测错误具有鲁棒性。最后，我们进行了实验评估，确认了理论发现，并展示了在实践中可以实现的性能改进。

Apr, 2024

本文研究预约服务的 Web 和移动应用程序，针对该类问题提出了带性能保证的新算法，并在纽约市卫生系统的预约数据上进行了测试。

May, 2018

本研究提出了新方法，用于精确预测进程、服务级别协议和活动序列，旨在帮助企业管理者及时应对业务流程中可能出现的问题，同时解决进程的非平稳性问题，通过对两个真实案例的广泛评估，我们的方法表现优于现有的最新技术。

Feb, 2016

为云用户提供工作完成时间预测，提出了 PCS 调度框架，通过配置 Weighted-Fair-Queueing 参数，达到预测性能与其他目标的平衡，实现 DNN 工作调度的准确完成时间估计。

Jan, 2024