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
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
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
研究如何将机器学习预测融入在线算法以提高性能,并提供非平凡的下界来衡量竞争分析的最优权衡.
Oct, 2020
在线背包问题的学习增强算法通过使用简洁的预测信息,在无传递完美预测和有限完美预测两种情况下,设计了能够提高算法性能的算法,并在实验中表现优于基线和复杂预测模型的算法。
Jun, 2024
一项研究探索基于决策焦点学习技术的线性目标中含有不确定参数值的优化问题,重点关注处理时间不确定的随机调度问题,并介绍了如何适应基于随机平滑的决策焦点学习技术。通过广泛实验评估发现,在情景式随机优化问题中,决策焦点学习技术在某些情况下优于现有技术。
Dec, 2023
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。
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
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