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
该文研究了在服务时间不确定且使用机器学习算法进行预测时的作业调度，提出了几个策略的性能公式，并引入了 “错误预测的代价” 框架来度量使用预测信息的成本。
Feb, 2019
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
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
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
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
本文通过正式表征哪些情况下预测模型可以从算法分流中受益来探讨预测模型与人类专家之间的相互作用，提出了一种确定性阈值规则，介绍了一种可实际应用的基于梯度的算法，并在人工专业及科学发现的数据中进行了实验，论证了该算法提供的模型及分流策略具有优于其他竞争基线的性能。
Mar, 2021
给定未知质量的预测作为输入，我们提出了一种算法，在未知预测质量和请求模型的情况下，在在线资源分配问题中实现了渐进最优表现，验证了算法的性能与任何已知到达模型和预测准确性的算法的最佳性能相匹配。
如何在设计在线算法中最佳利用不确定性量化预测，以及如何利用更一般形式的不确定性量化，提出了基于在线学习的框架来在多实例场景中学习如何充分利用不确定性量化作出最佳决策。
Oct, 2023
本文针对分布式机器学习系统的调度问题，使用参数服务器框架设计了一种在线算法，以最大化所有作业的整体效用，并在跟踪驱动模拟和实验测试中证明了其优越性。
Jan, 2018