AAAIMay, 2019

学会爬行

PDF
TL;DR研究了在未知网页变化频率的情况下，使用部分可观察信号进行在线估计的 Web 抓取优化问题，并提出了实用的估计器，证明了探索 - 开发算法的性能。
web crawlingcacheoptimizationpartial observabilityestimation
发现论文，激发创造
  • 更好和更简单的学习增强在线缓存

    采用盲算法和最优竞争算法相结合的混合算法在在线缓存中表现优于所有现有方法，而且结构更简单。此外，我们证明了对于这个问题，将 BlindOracle 与 LRU 相结合实际上是确定性算法中的最优解。

    May, 2020

  • 面向位置感知移动边缘缓存的内容流行度预测

    本文提出了一种基于位置定制的缓存方案，使用线性模型估计未来内容命中率，并以此为基础提出了求解最优缓存策略的不依赖于训练的在线算法，实现了自适应缓存决策并达到了与最优策略相当的命中率。

    Sep, 2018

  • 无线网络中基于学习的调度，以提升信息准确性和新鲜度

    通过模拟比较四种标准赌博算法，同时结合分析性保证，我们对多源系统中的调度问题进行了研究，并对任何策略能够达到的累计遗憾下限进行了界定。

    Oct, 2023

  • 关于 PageRank 优化的遍历控制和多面体方法

    本文研究了一类 PageRank 优化问题，其中设计限制约束了网页的出链策略，模型可以通过约束马尔可夫决策过程进行建模，讨论了优化出链策略的定性特征，发现存在一个 “主站点”，所有控制网页都应指向此站点，并在实际 Web 图的片段上展示了数值结果。

    Nov, 2010

  • 机器学习建议在线缓存的近最优界限

    该论文研究了基于机器学习建议的在线缓存模型，提出了一种新的算法来解决缓存问题，该算法适用于低误差情况下的预测，具有低的竞争比率；通过改进算法和提供下限，有望进一步提高算法性能。

    Oct, 2019

  • 一种连续时间的在线优化方法

    研究一种基于连续时间的在线优化策略族，证明其能够达到无遗憾学习。从传统的离散时间角度来看，这种方法可导出大量离散时间算法（包括一些经典遗憾分析算法）的无遗憾性质，并统一了许多经典的遗憾上界，得到了一个无需借助于倍增技巧即可保证 $O (n^{-1/2})$ 遗憾上界的学习策略类。

    Jan, 2014

  • 将动态内容放置在小容量缓存中

    本研究讨论了无线接入网络中缓存应用的困境，提出了一种缓解局限性的框架，其中包括基于年龄阈值策略的缓存，以及局部和全局缓存之间的协调机制。

    Jan, 2016

  • 强化学习增强的缓存：实验研究

    使用机器学习和加强式算法提高缓存置换的性能

    Jun, 2021

  • 一种具有对数复杂度和遗憾保证的在线基于梯度的缓存策略

    我们引入了一种基于梯度的在线缓存策略，相对于目录大小具有对数计算复杂度，同时提供遗憾保证，能够在实时决策和最佳后见选择之间最小化性能差距。

    May, 2024

  • 学习增强的在线时间信息和传输成本最小化

    考虑到离散时间系统中的资源受限源，通过时变无线信道将其时间敏感的数据传输到目的地。我们开发了一种鲁棒的在线算法，以最小化传输和信息老化成本之和，确保最坏情况下的性能保证。

    Mar, 2024